KR102244748B1 - Systems and methods for image classification by correlating contextual cues with images - Google Patents
Systems and methods for image classification by correlating contextual cues with images Download PDFInfo
- Publication number
- KR102244748B1 KR102244748B1 KR1020167005447A KR20167005447A KR102244748B1 KR 102244748 B1 KR102244748 B1 KR 102244748B1 KR 1020167005447 A KR1020167005447 A KR 1020167005447A KR 20167005447 A KR20167005447 A KR 20167005447A KR 102244748 B1 KR102244748 B1 KR 102244748B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- images
- module
- sample set
- classifier
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 61
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000011156 evaluation Methods 0.000 claims abstract description 84
- 230000006855 networking Effects 0.000 claims description 140
- 230000000007 visual effect Effects 0.000 claims description 111
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 abstract description 10
- 241000282326 Felis catus Species 0.000 description 28
- 230000008569 process Effects 0.000 description 24
- 230000009471 action Effects 0.000 description 22
- 238000003909 pattern recognition Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000003993 interaction Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 4
- 235000013330 chicken meat Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 241000282324 Felis Species 0.000 description 3
- 241000124008 Mammalia Species 0.000 description 3
- 235000021443 coca cola Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06K9/00684—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G06K9/6256—
-
- G06K9/72—
-
- G06K9/726—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
- G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
- G06V30/274—Syntactic or semantic context, e.g. balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/912—Applications of a database
- Y10S707/913—Multimedia
- Y10S707/915—Image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
이미지들의 샘플 세트가 수신된다. 샘플 세트에서 각각의 이미지는 하나 이상의 소셜 큐들과 연관될 수 있다. 이미지와 관련된 하나 이상의 소셜 큐에 기초하여 샘플 세트 내의 각각의 이미지의 상관관계는 이미지 클래스로 점수화된다. 점수화에 기초하여, 분류기를 트레이닝하는 이미지들의 트레이닝 세트가 샘플 세트로부터 결정된다. 일실시예로, 이미지 클래스로 이미지들의 평가 세트가 상관되는 정도가 결정된다. 결정은 이미지들의 평가 세트 중 최상위 점수의 서브세트를 순위화하는 것을 포함할 수 있다.A sample set of images is received. Each image in the sample set may be associated with one or more social cues. The correlation of each image in the sample set based on one or more social cues associated with the image is scored as an image class. Based on the scoring, a training set of images training the classifier is determined from the sample set. In one embodiment, the degree to which an evaluation set of images is correlated with an image class is determined. Determining may include ranking a subset of the highest score among the evaluation set of images.
Description
기술 분야는 소셜 네트워크 분야에 관한 것이다. 더욱 특히, 기술 분야는 소셜 네트워크에서의 이미지 분류 기술에 관한 것이다.The technical field is about the field of social networks. More particularly, the technical field relates to image classification techniques in social networks.
소셜 네트워크는 구성원들을 서로 연결해주는 상호작용 및 컨텐츠가 풍부한 온라인 커뮤니티를 제공할 수 있다. 소셜 네트워크의 구성원들은 그들이 서로 어떻게 관련되는지를 표시할 수 있다. 예컨대, 소셜 네트워크의 구성원들은 그들이 친구, 가족 구성원, 사업 동료, 또는 서로의 팔로워라고 표시할 수 있고, 구성원들은 일부 다른 관계를 서로에게 지정할 수 있다. 소셜 네트워크는 구성원들이 서로 메시징하거나 메시지를 온라인 커뮤니티에 게시하도록 할 수 있다.Social networks can provide an online community rich in interactions and content that connects members with each other. Members of the social network can indicate how they relate to each other. For example, members of a social network may indicate that they are friends, family members, business colleagues, or followers of each other, and members may assign some other relationship to each other. Social networks can allow members to message each other or post messages to an online community.
소셜 네트워크는 또한, 구성원들이 서로 컨텐츠를 공유하도록 할 수 있다. 예컨대, 구성원들은 다수의 플랫폼에 걸쳐 열람될 수 있는 상호작용형 피드(interactive feed)를 포함하는 하나 이상의 페이지를 생성하거나 사용할 수 있다. 페이지는, 구성원이 소셜 네트워크의 특정 구성원들과 공유하거나 일반적으로 소셜 네트워크에 발행(publish)하기를 희망하는 이미지, 비디오, 및 다른 컨텐츠를 포함할 수 있다. 구성원들은 또한, 다른 방식으로 소셜 네트워크와 컨텐츠를 공유할 수 있다. 예컨대, 이미지의 경우, 구성원들은 이미지 보드에 이미지들을 발행하거나 온라인 커뮤니티에 의한 검색에 이미지들이 이용가능하게 만들 수 있다.Social networks can also allow members to share content with each other. For example, members may create or use one or more pages containing interactive feeds that can be viewed across multiple platforms. Pages may contain images, videos, and other content that a member wishes to share with certain members of the social network or generally wish to publish on the social network. Members can also share content with social networks in different ways. For example, in the case of images, members may publish images on an image board or make the images available for search by an online community.
본 발명의 내용 중에 포함되어 있다.It is included in the content of the present invention.
시스템은 적어도 하나의 프로세서 및 프로세서가 이미지들의 샘플 세트의 수신을 수행하게끔 명령하도록 구성된 명령들을 저장하는 메모리를 포함할 수 있고, 샘플 세트에서 각각의 이미지는 하나 이상의 소셜 큐들(social cues)과 관련된다. 샘플 세트에서 각각의 이미지의 이미지 클래스에 대한 상관관계는, 이미지와 관련된 하나 이상의 소셜 큐들에 기초하여 점수화된다. 점수에 기초하여, 분류기(classifier)를 트레이닝(train)하는 이미지들의 트레이닝 세트가 샘플 세트로부터 결정될 수 있다.The system may include at least one processor and a memory storing instructions configured to instruct the processor to perform reception of a sample set of images, each image in the sample set associated with one or more social cues. . The correlation for the image class of each image in the sample set is scored based on one or more social cues associated with the image. Based on the score, a training set of images to train the classifier may be determined from the sample set.
일부 실시예로, 이미지 클래스가 특정될 수 있다. 일부 실시예로, 결정은 점수에 기초하여 샘플 세트로부터 각각의 이미지를 순위화(rank)하는 것을 포함할 수 있다. 결정은 이미지들의 샘플 세트 중 최상위 점수의 서브세트를 선택하는 것을 포함할 수 있다. 최상위 점수의 서브세트가 이미지들의 트레이닝 세트일 수 있다.In some embodiments, an image class may be specified. In some embodiments, the determination may include ranking each image from the set of samples based on a score. Determining may include selecting a subset of the highest score among the sample set of images. The subset of the highest score may be the training set of images.
다양한 실시예로, 분류기는 이미지들의 트레이닝 세트에 기초하여 트레이닝될 수 있다. 이미지 클래스와 관련된 시각적 패턴 템플릿(template)이 생성될 수 있다. 분류기는 일부 실시예로, 시각적 단어 가방식(bag of visual words) 이미지 분류 기술 또는 신경 네트워크 이미지 분류 기술을 사용하도록 구성될 수 있다.In various embodiments, the classifier may be trained based on a training set of images. A visual pattern template related to the image class may be created. The classifier may be configured to use a bag of visual words image classification technique or a neural network image classification technique, in some embodiments.
일부 실시예로, 이미지들의 평가 세트가 이미지 클래스와 상관되는 정도가 결정될 수 있다. 이미지들의 평가 세트는 이미지들의 샘플 세트와 상이할 수 있다. 이미지들의 평가 세트는 이미지들의 샘플 세트보다 큰 이미지들의 세트를 포함할 수 있다.In some embodiments, the degree to which an evaluation set of images correlates with an image class may be determined. The evaluation set of images may be different from the sample set of images. The evaluation set of images may comprise a set of images that are larger than the sample set of images.
다양한 실시예로, 이미지들의 평가 세트의 각각의 이미지의, 이미지 클래스와 관련된 시각적 패턴 템플릿에 대한 상관관계는 점수화될 수 있다. 평가 세트의 각각의 이미지는, 이미지들의 평가 세트의 각각의 이미지의 점수화된 상관관계에 기초하여 순위화될 수 있다. 이미지들의 평가 세트 중 최상위 점수의 서브세트가 이미지 클래스와 관련될 수 있다.In various embodiments, a correlation of each image of a rating set of images to a visual pattern template associated with an image class may be scored. Each image in the rating set may be ranked based on the scored correlation of each image in the rating set of images. A subset of the highest score among the evaluation set of images may be associated with the image class.
일부 실시예로, 하나 이상의 소셜 큐들은 하나 이상의 이미지 태그를 포함할 수 있다. 이미지와 관련된 하나 이상의 이미지 태그의 총 개수에서 특정 이미지 태그의 인스턴스들의 개수가 결정될 수 있다.In some embodiments, one or more social cues may include one or more image tags. The number of instances of a specific image tag may be determined from the total number of one or more image tags related to an image.
일부 실시예로, 하나 이상의 소셜 큐들은: 이미지들의 샘플 세트 중 하나의 이미지와 관련된 위치 데이터; 또는 이미지들의 샘플 세트 중 상기 이미지의 업로더, 태거(tagger), 또는 소유자의 신원 중 하나 이상을 포함할 수 있다. 다양한 실시예로, 하나 이상의 소셜 큐들은 소셜 네트워킹 시스템에 의해 수신될 수 있다.In some embodiments, the one or more social cues may include: location data associated with an image of a sample set of images; Alternatively, one or more of the image uploader, tagger, or the identity of the owner may be included in the sample set of images. In various embodiments, one or more social cues may be received by a social networking system.
컴퓨터로 구현되는 방법은, 컴퓨터 시스템에 의해 이미지들의 샘플세트를 수신하는 것을 포함할 수 있고, 샘플 세트에서 각각의 이미지는 하나 이상의 소셜 큐들와 관련된다. 방법은, 컴퓨터 시스템에 의해, 이미지와 관련되는 하나 이상의 소셜 큐들에 기초하여 샘플 세트의 각각의 이미지와 이미지 클래스의 상관관계(correlation)를 점수화하는 것을 포함할 수 있다. 방법은 또한, 컴퓨터 시스템에 의해, 점수에 기초하여 분류기를 트레이닝하는 이미지들의 트레이닝 세트를 샘플 세트로부터 결정하는 것을 포함할 수 있다.The computer-implemented method may include receiving a sample set of images by a computer system, wherein each image in the sample set is associated with one or more social cues. The method may include scoring, by a computer system, a correlation of an image class with each image in the sample set based on one or more social cues associated with the image. The method may also include determining, by the computer system, a training set of images that train the classifier based on the score, from the sample set.
컴퓨터 저장 매체는, 실행시 컴퓨터 시스템이 이미지들의 샘플 세트를 수신하는 것을 포함하는 컴퓨터로 구현되는 방법을 수행하도록 하는 컴퓨터-실행가능한 명령을 저장하며, 샘플 세트에서 각각의 이미지는 하나 이상의 소셜 큐들와 관련된다. 방법은, 이미지와 관련된 하나 이상의 소셜 큐들에 기초하여 샘플 세트의 각각의 이미지와 이미지 클래스 간의 상관관계를 점수화하는 것을 포함할 수 있다. 방법은 또한, 점수에 기초하여 분류기를 트레이닝하는 이미지들의 트레이닝 세트를 샘플 세트로부터 결정하는 것을 포함할 수 있다.The computer storage medium stores computer-executable instructions that, when executed, cause a computer system to perform a computer-implemented method comprising receiving a sample set of images, wherein each image in the sample set includes one or more social cues and It is related. The method may include scoring a correlation between the image class and each image in the sample set based on one or more social cues associated with the image. The method may also include determining from the sample set a training set of images that train the classifier based on the score.
다른 특징 및 실시예들은 첨부되는 도면 및 이하의 상세한 설명으로부터 자명해질 것이다.Other features and embodiments will become apparent from the accompanying drawings and the detailed description below.
본 발명의 내용 중에 포함되어 있다.It is included in the content of the present invention.
도 1은 일부 실시예에 따른, 컨텍스트 이미지 분류 시스템(contextual image classification system)의 예를 도시한다.
도 2a는 일부 실시예에 따른, 이미지 분류 모듈의 예를 도시한다.
도 2b는 일부 실시예에 따른, 이미지 분류 모듈의 예를 도시한다.
도 3은 일부 실시예에 따른, 이미지 분류 트레이닝 모듈의 예를 도시한다.
도 4는 일부 실시예에 따른, 이미지 분류 평가 모듈의 예를 도시한다.
도 5는 일부 실시예에 따른, 분류기의 예를 도시한다.
도 6은 일부 실시예에 따른, 이미지를 분류하기 위한 프로세스의 예를 도시한다.
도 7은 일부 실시예에 따른, 분류기를 트레이닝하기 위한 프로세스의 예를 도시한다.
도 8은 일부 실시예에 따른, 이미지를 분류하기 위한 프로세스의 예를 도시한다.
도 9는 일부 실시예에 따른, 이미지들의 그룹에 적용되는 컨텍스트적으로(contextually) 생성된 이미지 필터들의 미리보기(preview)의 예를 도시한다.
도 10은 일부 실시예에 따른, 이미지들의 그룹에 적용된 컨텍스트적으로 생성된 이미지 필터의 미리보기의 예를 도시한다.
도 11은 일부 실시예에 따른, 소셜 네트워킹 시스템 내의 컨텍스트 이미지 분류 시스템의 네트워크 다이어그램의 예를 도시한다.
도 12는 일부 실시예에 따른, 본 명세서에 기술된 하나 이상의 실시예를 구현하는데 사용될 수 있는 컴퓨터 시스템의 예를 도시한다.
도면들은 오로지 예시적인 목적을 위해 본 발명의 다양한 실시예들을 도시하며, 도면들은 같은 구성요소를 식별하기 위해 같은 참조 번호를 사용한다. 통상의 기술자는 다음의 설명으로부터 도면들에 도시된 구조들 및 방법들의 대안적 실시예가 본 명세서에 기술된 발명의 원리로부터 벗어남이 없이 이용될 수 있음을 쉽게 인식할 것이다.1 shows an example of a contextual image classification system, according to some embodiments.
2A shows an example of an image classification module, according to some embodiments.
2B shows an example of an image classification module, according to some embodiments.
3 shows an example of an image classification training module, according to some embodiments.
4 illustrates an example of an image classification evaluation module, according to some embodiments.
5 shows an example of a classifier, according to some embodiments.
6 shows an example of a process for classifying an image, according to some embodiments.
7 shows an example of a process for training a classifier, in accordance with some embodiments.
8 shows an example of a process for classifying an image, according to some embodiments.
9 shows an example of a preview of contextually generated image filters applied to a group of images, according to some embodiments.
10 shows an example of a preview of a contextually generated image filter applied to a group of images, according to some embodiments.
11 shows an example of a network diagram of a context image classification system in a social networking system, in accordance with some embodiments.
12 shows an example of a computer system that may be used to implement one or more embodiments described herein, in accordance with some embodiments.
The drawings show various embodiments of the present invention for illustrative purposes only, and the drawings use the same reference numerals to identify the same elements. One of ordinary skill in the art will readily appreciate from the following description that alternative embodiments of structures and methods shown in the figures may be used without departing from the principles of the invention described herein.
컨텍스트 큐를 상관시키는 것에 의한 이미지 분류Image classification by correlating context queues
소셜 네트워킹 시스템은 컨텐츠를 생성하고 친구들과 공유하는 능력을 사용자들에게 제공할 수 있다. 소셜 네트워킹 시스템의 사진-공유 서비스의 사용자들은 그들의 모바일 전화에서 이미지(예컨대, 정지 이미지, 밈(meme)), 비디오, 또는 상호작용형 컨텐츠를 캡쳐하고 컨텐츠를 그들의 온라인 친구들과 공유하는 것을 즐길 수 있다. 유사하게, 사용자들은 예컨대, 그들의 홈페이지에 상호작용형 피드를 업데이트함으로써 그들의 친구들과 컨텐츠를 공유하는 것을 즐길 수 있다. The social networking system can provide users with the ability to create content and share it with friends. Users of the social networking system's photo-sharing service can enjoy capturing images (e.g., still images, memes), videos, or interactive content from their mobile phones and sharing the content with their online friends. . Similarly, users can enjoy sharing content with their friends, for example by updating an interactive feed on their home page.
소셜 네트워킹 시스템은 또한, 컨텐츠의 아이템에 관한 정보 또는 컨텐츠에 관한 속성을 표시하거나, 식별하거나, 카테고리화하거나, 라벨링하거나, 기술하거나, 또는 제공하는 능력을 제공 또는 지원할 수 있다. 이러한 정보를 표시하는 한가지 방법은 컨텐츠 또는 그것의 속성의 대상물을 식별할 수 있거나 아니면 관련시킬 수 있는 태그를 통하는 것이다. 이러한 정보는 표시하는 다른 방법은 업로드의 위치, 또는 컨텐츠가 어디에서 캡쳐되었는지를 식별하기 위해 사용자가 업로드하는 컨텐츠의 GPS(global positioning system) 좌표를 통하는 것이다. 본 명세서에서 더 상세히 기술될 것처럼, 소셜 네트워킹 시스템에서 컨텐츠에 관한 정보를 표시하기 위한 많은 다른 방법들이 있다. 태그(예컨대, 해시태그 또는 다른 메타데이터 태그) 및 GPS 시스템 좌표를 포함하는 이러한 많은 표시자는 시각적이지 않으며, 컨텐츠에서 시각적 데이터의 자동화된 분석에 기초하지 않는다.The social networking system may also provide or support the ability to display, identify, categorize, label, describe, or provide information about an item of content or an attribute about the content. One way to display this information is through tags that can identify or relate to the object of the content or its attributes. Another way to display this information is through the location of the upload, or through global positioning system (GPS) coordinates of the content that the user is uploading to identify where the content was captured. As will be described in more detail herein, there are many different methods for presenting information about content in a social networking system. Many of these indicators, including tags (eg, hashtags or other metadata tags) and GPS system coordinates, are not visual and are not based on automated analysis of visual data in the content.
특정 상황에서, 비시각적 표시자는 주관적이거나 잠재적으로 오인의 소지가 있을 수 있다. 예컨대, 컨텐츠 생성자가 그의 또는 그녀 자신의 컨텐츠에 적용하기 위해 선택한 태그들은 컨텐츠 생성자의 관점에서는 컨텐츠의 대상물을 기술할 수 있지만, 태그들은 다른 사람들의 관점에서는 잘못 기술하고 있거나 심지어는 관련이 없을 수 있다. 예컨대, 스스로를 할로윈에 캣우먼으로 차려입은 사진을 게시하는 사용자는, 사진이 가정에서의 집 고양이를 포함하지 않음에도 그 사진을 "#cat"으로 태그할 수 있다. "Paris"라고 명명된 개의 사진을 게시하는 사용자는, 사진이 프랑스 파리를 묘사하지 않음에도 그 사진을 태그 "#paris"로 태그할 수 있다. Super Bowl Sunday에 뉴올리언스의 Super Bowl에 그의 가족을 캡쳐한 이미지를 게시하는 사용자는, 이미지들이 Super Bowl에서 캡쳐되었음을 표시하는 GPS 좌표 및/또는 타임 스탬프를 가질 수 있지만, 이미지들 자체의 컨텐츠는 풋볼 경기와 관련되지 않을 수 있다.In certain circumstances, non-visual indicators may be subjective or potentially misleading. For example, tags selected by the content creator to apply to his or her own content may describe the object of the content from the content creator's point of view, but the tags may be misrepresented or even irrelevant from the perspective of others. . For example, a user who posts a picture of himself dressed as a catwoman on Halloween can tag the picture as "#cat" even though the picture does not include a house cat at home. A user posting a photo of a dog named "Paris" can tag the photo with the tag "#paris" even though the photo does not depict Paris, France. A user posting images of his family captured in the Super Bowl in New Orleans on Super Bowl Sunday may have GPS coordinates and/or timestamps indicating that the images were captured in the Super Bowl, but the content of the images themselves is football. It may not be related to the game.
비시각적 표시자의 주관성은 소셜 네트워킹 시스템의 사용자들이 풍부하게 다양한 컨텐츠를 창의적으로 표현하고 공유하도록 돕지만, 비시각적 표시자의 주관성은 종종 사진과 같은 사용자가-업로드한 이미지들을 검색하는 것을 어렵게 만든다. 예컨대, "고양이"에 대해 소셜 네트워킹 시스템에 게시된 이미지들을 검색하려는 시도는 할로윈에 캣우먼 복장을 입은 사용자의 이미지를 나타내 보일 수 있다. 프랑스 파리에서의 에펠탑의 이미지에 대한 그래픽 검색을 수행하려는 시도는 "Paris"라고 이름지어진 개의 이미지로 이어질 수 있다. Super Bowl 사진을 검색하려는 시도는 풋볼 경기의 1차적 설명을 찾는 사람에게 높은 관련성이 없을 수 있는 팬의 가족의 개인적인 사진들을 나타내 보일 수 있다. 어느 정도, 이러한 예들에서 이미지들과 관련된 비시각적 표시자는, 그들이 관련된 이미지의 컨텐츠를 정확하게 반영하지 않을 수 있다는 점에서 "노이즈(noisy)"가 된다. 소셜 네트워킹 시스템에서 사용자-업로드된 컨텐츠를 정확하게 검색하는 것이 바람직할 수 있다.The subjectivity of non-visual indicators helps users of social networking systems to creatively express and share a wide variety of content, but the subjectivity of non-visual indicators often makes it difficult to search for user-uploaded images such as photographs. For example, an attempt to search for images posted on a social networking system for a "cat" may reveal an image of a user dressed as a catwoman on Halloween. An attempt to conduct a graphical search for an image of the Eiffel Tower in Paris, France, could lead to an image of a dog named "Paris". Attempts to search for Super Bowl photos may reveal personal photos of a fan's family that may not be highly relevant to anyone looking for a primary description of a football match. To some extent, non-visual indicators associated with images in these examples become "noisy" in that they may not accurately reflect the content of the associated image. It may be desirable to accurately search for user-uploaded content in a social networking system.
도 1은 일부 실시예에 따른, 컨텍스트 이미지 분류 시스템(102)의 예를 도시한다. 컨텍스트 이미지 분류 시스템(102)은 소셜 네트워킹 시스템으로 통합될 수 있고, 그 예가 도 11에 제공된다. 도 1의 예에서, 컨텍스트 이미지 분류 시스템(102)은 이미지 분류 모듈(104) 및 이미지 애플리케이션 모듈(106)을 포함할 수 있다.1 shows an example of a context
이미지 분류 모듈(104)은, 컨텐츠 및 컨텐츠의 시각적 속성과 관련된 컨텍스트 큐에 기초하여 컨텐츠에서 대상물을 인식할 수 있다. 컨텐츠는 예컨대, 이미지, 밈(meme), 비디오, 상호작용형 시청각 자료 등을 포함할 수 있다. 시각적 속성은 컨텐츠에서 묘사되는 대상물의 특징적 속성을 반영하는 이미지 또는 이미지 세그먼트에서의 시각적 패턴을 포함할 수 있다. 시각적 속성은 예컨대, 외관, 색상, 형태, 레이아웃 등 중 하나 또는 이들의 조합에 기초할 수 있다.The
컨텍스트 큐는 컨텐츠에 묘사된 대상물의 시각적 표시자를 포함할 수 있다. 컨텍스트 큐는 컨텐츠의 적어도 일부의 대상물을 반영하거나 시사할 수 있다. 일부 실시예로, 컨텍스트 큐는 컨텐츠 태그를 포함할 수 있다. 컨텍스트 큐는 또한, 가령 소셜 큐와 같은 컨텐츠에서 대상물의 비시각적 표시자의 다른 타입들을 포함할 수 있다. 예컨대, 제한 없이, 컨텍스트 큐는: 이미지 또는 사용자의 디지털 장치의 GPS 좌표, 특정된 태그가 아닌 태그들의 개수, 특정된 태그가 일련의 태그들에서 발생하는 정도, 일련의 태그에서 특정된 태그의 순서, 컨텐츠의 태거(tagger)(예컨대, 문자 스트링을 컨텐츠와 관련시키는 엔티티)의 신원, 컨텐츠의 업로더(예컨대, 소셜 네트워킹 시스템의 데이터 스토어에 저장하기 위해 컨텐츠를 제공하는 엔티티)의 신원, 컨텐츠의 소유자의 신원, 컨텐츠 업로드의 시간, 태거 (또는 업로더나 소유자)의 연결 및 연결의 타입(예컨대, 친구), 태거 (또는 업로더나 소유자)의 상태 또는 프로필, 컨텐츠와 관련된 메타데이터, 주어진 타입의 컨텐츠, EXIF(Exchangeable Image File) 정보 등을 열람하거나 좋아하는 사람들의 신원을 포함할 수 있다.The context cue may include a visual indicator of an object depicted in the content. The context queue may reflect or suggest at least some objects of the content. In some embodiments, the context queue may include a content tag. The context queue may also include other types of non-visual indicators of objects in the content, such as a social queue. For example, without limitation, the context cue may include: GPS coordinates of an image or a user's digital device, the number of tags other than a specified tag, the degree to which a specified tag occurs in a series of tags, and the order of tags specified in a series of tags. , The identity of the content's tagger (e.g., an entity that associates a character string with the content), the identity of the content's uploader (e.g., an entity providing content for storage in a data store of a social networking system), of the content The identity of the owner, the time of uploading the content, the connection of the tagger (or uploader or owner) and the type of connection (e.g., friend), the status or profile of the tagger (or uploader or owner), metadata related to the content, given type It can include the identity of people you like or browse the contents of, EXIF (Exchangeable Image File) information, etc.
일부 실시예로, 이미지 분류 모듈(104)은 분류기가 이미지들의 샘플 세트로부터 수집된 컨텍스트 큐에 기초하여 이미지 클래스의 시각적 속성을 인식하도록 트레이닝할 수 있다. 이미지들의 샘플 세트는 분류기를 트레이닝하기 위한 트레이닝 세트가 선택되는 이미지들의 그룹을 포함할 수 있다. 이미지들의 샘플 세트는, 분류기에 의한 정확한 결과를 보장하기 위해 충분히 많은 수의 이미지들을 포함할 수 있다. 분류기는, 컨텐츠가 특정 이미지 클래스 내에 속하는 정도에 상응하는 통계 점수를 컨텐츠의 각각의 아이템에 할당할 수 있다. 일부 실시예로, 분류기는 계층적 분류기, 선형 분류기, 또는 다른 분류기를 통합할 수 있다. 분류기의 예는 도 5에 제공된다. 일부 실시예로, 분류기는 초기에 소셜 네트워킹 시스템에 의해 관리되는 이미지들의 선택된 서브세트에 기초하여 트레이닝될 수 있다. 분류기는 다양한 상황에서 유지될 수 있다. 예컨대, 분류기는 선택된 주파수에서 주기적으로 유지되거나, 이미지가 분류기에 이용가능하게 됨에 따라 비-주기적으로 유지될 수 있다. 다른 예로, 분류기는, 소셜 네트워킹 시스템으로 업로드될 많은 수의 이미지들을 발생시킬 확률이 높은 이벤트들(예컨대, Super Bowl)과 같은 특정 이벤트들이 발생할 때 유지될 수 있다. 또 다른 예로, 분류기는, 소셜 네트워킹 시스템이 임계 개수의 새로운 이미지들을 수신할 때 유지될 수 있다. 이러한 상황들 및 다른 상황들에서 유지하는 것은 분류기가 이미지 클래스들의 시각적 속성을 인식하는 능력을 보다 섬세하게(refine) 만들 수 있다.In some embodiments, the
이미지 클래스는 예컨대, 객체(예컨대, 고양이, 자동차, 사람, 지갑 등), 브랜드 또는 브랜드와 관련된 객체(예컨대, Coca-Cola®, Ferrari®), 프로 스포츠 팀(예컨대, the Golden State Warriors®), 위치(예컨대, 에베레스트 산), 활동(예컨대, 수영하기), 구절 또는 컨셉(예컨대, 적색 드레스, 행복), 및 컨텐츠와 관련될 수 있는 임의의 다른 것들, 행위 또는 관념을 포함할 수 있다. 본 명세서에서 제공되는 많은 예는 단일의 "이미지 클래스"를 의미하는 한편, 이미지 클래스는 객체, 브랜드, 프로 스포츠 팀, 위치 등의 조합을 포함하는 복수의 이미지 클래스들 또는 하나 이상의 이미지 클래스들을 의미할 수 있다.Image classes include, for example, objects (e.g., cats, cars, people, wallets, etc.), objects associated with a brand or brand (e.g., Coca-Cola®, Ferrari®), professional sports teams (e.g., the Golden State Warriors®), Location (eg, Mount Everest), activity (eg, swimming), phrases or concepts (eg, red dress, happiness), and any other things, actions or ideas that may be associated with the content. While many examples provided herein mean a single "image class", an image class may mean a plurality of image classes or one or more image classes including a combination of an object, brand, professional sports team, location, etc. I can.
일부 실시예로, 이미지 분류 모듈(104)은 이미지들의 평가 세트의 시각적 속성을 이미지 클래스의 시각적 속성과 비교하고, 이미지들의 평가 세트에서의 시각적 속성이 이미지 클래스의 시각적 속성과 충분히 상관될 수 있는지 여부를 결정하기 위해 트레이닝된 분류기를 사용할 수 있다. 이미지들의 평가 세트는 분류기에 의한 분류를 위해 선택된 이미지들의 그룹을 포함할 수 있다. 다양한 실시예로, 이미지들의 평가 세트는 데이터 스토어에서의 이미지들의 전부 또는 일부, 또는 소셜 네트워킹 시스템에서의 이미지들의 전부 또는 일부를 포함할 수 있다. 일실시예로, 분류기는 기계 습득과 같은 임의의 적절한 기술에 의해 트레이닝될 수 있다.In some embodiments, the
다양한 실시예로, 이미지 분류 모듈(104)은 이미지 애플리케이션 모듈(106)로 분류된 컨텐츠를 제공할 수 있다. 분류된 컨텐츠는 분류기에 의해 순위화 및/또는 점수화된 컨텐츠를 포함할 수 있다. 반면에, 비가공 컨텐츠 또는 미분류(unclassified) 컨텐츠는 분류기에 의해 순위화 및/또는 점수화되지 않았거나 아니면 하나 이상의 이미지 클래스와 관련되지 않은 컨텐츠를 포함할 수 있다. 분류된 컨텐츠는, 상기 분류된 컨텐츠가 이미지 클래스를 매칭(match)하는 정도를 표시하는 점수를 가질 수 있다. 분류된 컨텐츠의 더 높은 점수를 얻은 아이템들은 이미지 클래스의 시각적 속성과 더 높은 상관도(higher degrees of correlation)를 가질 수 있다. 결과적으로, 다양한 실시예에서, 이미지 분류 모듈(104)은 점수에 기초하여 분류된 컨텐츠를 효과적으로 검색하도록 할 수 있다.In various embodiments, the
분류를 위해 이미지들의 평가 세트의 분석 중에 분류기를 사용하는 것은 다양한 시간에서 발생할 수 있다. 예컨대, 분류기는 선택된 주파수에서 이미지들의 평가 세트를 분석하거나, 이미지들이 분류기로 이용가능하게 됨에 따라 비-주기적으로 평가 세트를 분석할 수 있다. 분류기는 또한, 가령 소셜 네트워킹 시스템으로 업로드되는 많은 수의 이미지들을 발생시킬 확률이 높은 이벤트들과 같은 특정 이벤트가 발생할 때 이미지들의 평가 세트를 분석할 수 있다. 분류기는, 소셜 네트워킹 시스템이 임계 개수의 새로운 이미지들을 수신할 때 이미지들의 평가 세트를 분석할 수 있다. 또 다른 예로, 분류기는, 예상되는 이미지 검색이 수행되기에 앞서 분류를 위해 이미지들의 평가 세트를 분석할 수 있다.Using a classifier during analysis of an evaluation set of images for classification can occur at various times. For example, the classifier may analyze the evaluation set of images at a selected frequency, or non-periodically as the images become available as a classifier. The classifier may also analyze a rating set of images when a specific event occurs, such as events with a high probability of generating a large number of images that are uploaded to the social networking system. The classifier may analyze a rating set of images when the social networking system receives a threshold number of new images. As another example, the classifier may analyze an evaluation set of images for classification prior to performing an expected image search.
이미지 애플리케이션 모듈(106)은 분류된 컨텐츠를 소셜 네트워킹 시스템에서 사용하기 위해 적응(adapt)시킬 수 있다. 일부 실시예로, 이미지 애플리케이션 모듈(106)은 검색 APIs(application programming interfaces)와 인터페이싱하여 분류된 컨텐츠의 각각의 아이템들이 그것의 이미지 클래스에 따라 검색가능하도록 만들 수 있다. 예컨대, 이미지 애플리케이션 모듈(106)은, 사용자가 소셜 네트워킹 시스템으로 업로드한 분류된 이미지를 검색하는 검색 모듈과 인터페이스할 수 있다. 다른 예로, 이미지 애플리케이션 모듈(106)은, 사용자가 그들의 피드에 게시한 분류된 이미지 또는 밈스를 위해 소셜 네트워킹 시스템의 피드를 검색하는 검색 모듈과 인터페이스할 수 있다. 이미지 애플리케이션 모듈(106)은 또한, 검색 질의에 응답하여 분류된 컨텐츠를 제공할 수 있다. 일부 실시예로, 이미지 애플리케이션 모듈(106)은, 주제 사전(subject dictionary), 카테고리 트리, 및 토픽 태그 기술을 사용하여 이미지 분류 모듈(104)에 의해 제공되는 분류된 이미지들과 관련된 토픽들을 추출할 수 있다.The
도 2a는 일부 실시예에 따른, 이미지 분류 모듈(104)의 예를 도시한다. 이미지 분류 모듈(104)은 미분류 이미지 데이터스토어(202), 이미지 분류 트레이닝 모듈(204), 및 분류기(208)를 포함할 수 있다. 도 2a에 도시된 컴포넌트들에 추가하여, 이미지 분류 모듈(104)은 또한, 도 2b에 도시된 컴포넌트들을 포함할 수 있다. 도 2a 및 도 2b에서 같은 구성요소들은 같은 참조 번호를 가질 수 있음을 유의해야 한다.2A shows an example of an
미분류 이미지 데이터스토어(202)는 이미지 분류 트레이닝 모듈(204) 및 이미지 분류 평가 모듈(206)에 연결될 수 있다. 미분류 이미지 데이터스토어(202)는 미분류 이미지들을 포함할 수 있다. 미분류 이미지들은 그들과 관련된 컨텍스트 큐를 가질 수 있다. 데이터스토어는 테이블, CSV(comma-separated values) 파일, 전통적인 데이터베이스(예컨대, SQL), 또는 다른 알려지거나 종래의 조직화 포맷을 포함하는 임의의 데이터의 조직을 포함할 수 있다. 일부 실시예로, 미분류 데이터스토어(202)는 또한, 가령 태그 또는 다른 큐들과 같은 이미지와 관련된 컨텍스트 큐들의 세트를 저장할 수 있다. 일부 실시예로, 미분류 이미지 데이터스토어(202)는 소셜 네트워킹 시스템에서 미분류 이미지들의 일부 또는 전부를 표현할 수 있다.The unclassified image datastore 202 may be connected to the image
이미지 분류 트레이닝 모듈(204)은 미분류 이미지 데이터스토어(202) 및 분류기(208)에 연결될 수 있다. 일부 실시예로, 이미지 분류 트레이닝 모듈(204)은 트레이닝 단계(training phase)를 구현할 수 있다. 트레이닝 단계는, 이미지 분류 트레이닝 모듈(204)이 분류기(208)가 이미지들의 샘플 세트로부터 선택된 이미지들의 시각적 속성을 인식하도록 트레이닝하는 이미지 분류 모듈(104)의 단계를 포함할 수 있다. 트레이닝 단계 동안에, 이미지 분류 트레이닝 모듈(204)은 미분류 이미지 데이터스토어(202)로부터 이미지들의 샘플 세트를 획득할 수 있다. 이미지 분류 트레이닝 모듈(204)은 또한, 각각의 획득된 미분류 이미지와 관련된 컨텍스트 큐들의 세트를 수집할 수 있다. 컨텍스트 큐들의 세트에 기초하여, 이미지들의 샘플 세트로부터 선택된 이미지들의 트레이닝 세트는, 분류기(208)가 시각적 패턴을 인식하도록 트레이닝하는데 사용될 수 있다. 미분류 이미지들 및/또는 컨텍스트 큐들은, 이미지들의 샘플 세트로부터 이미지들의 트레이닝 세트를 결정하기 위해 관련 정보에 대해 미분류 이미지 데이터스토어(202)를 질의함으로써 획득될 수 있다.The image
트레이닝 단계 동안에, 이미지 분류 트레이닝 모듈(204)은 분류기(208)를 트레이닝 시킬 하나 이상의 이미지 클래스를 특정하도록 구성될 수 있다. 이미지 클래스를 특정하기 위해, 이미지 분류 트레이닝 모듈(204)은 이미지 클래스를 정의하는 자동화된 입력을 수신할 수 있다. 이미지 클래스의 특정은 가령, 이미지 분류의 작업이 맡겨진 관리자와 같은 사람으로부터의 수동 입력을 또한, 수반할 수 있다.During the training phase, the image
트레이닝 단계 동안에, 이미지 분류 트레이닝 모듈(204)은, 이미지 클래스에 상응하는 컨텍스트 큐들을 식별하고 선택하도록 구성될 수 있다. 다양한 실시예로, 이미지 분류 트레이닝 모듈(204)은 특정 이미지 클래스의 속성들을 평가할 수 있고, 특정 컨텍스트 큐들이 그 이미지 클래스와 아마도 관련되었을지를 결정할 수 있다. 예컨대, 이미지 분류 트레이닝 모듈(204)은 하나의 타입의 태그들이 가정의 집 고양이의 사진을 수반할 확률이 높은 한편, 다른 타입의 태그는 할로윈에 캣우먼의 복장인 사용자의 사진을 수반할 가능성이 높다고 결정할 수 있다. 이 경우, 이미지 분류 트레이닝 모듈(204)은, 고양이의 이미지 클래스에 상응하는 가정의 집 고양이의 사진을 수반할 가능성이 높은 태그들의 타입을 선택할 수 있다. 본 명세서에서 더 상세히 논의되는 것처럼, 컨텍스트 큐들을 특정 이미지 클래스에 적용할 지의 판단(consideration)은, 가령 태그(예컨대, 태그 "#cat", 태그 "#Halloween" 등), 태그들의 순서, 특정 태그들이 다른 특정 태그들에 의해 수반되는지 여부(예컨대, 태그 "#cat"이 태그 "#animal"에 의해 수반되는지 또는 태그 "#cat"이 태그 "#Halloween"에 의해 수반되는지) 등과 같은 판단들에 기초할 수 있다. 이미지 분류 트레이닝 모듈(204)은 또한, 특정 이미지와 관련된 컨텍스트 큐들이 특정 이미지 클래스에 상응하는 정도를 순위화 및/또는 점수화하도록 구성될 수 있다.During the training phase, the image
컨텍스트 큐들은, 이미지들의 샘플 세트로부터 이미지들의 트레이닝 세트를 식별하기 위해 분석된다. 이미지들의 트레이닝 세트는 이미지 클래스와 가장 밀접하게 상관되는 이미지들을 표현한다. 트레이닝 단계 동안에, 이미지 분류 트레이닝 모듈(204)은 이미지 클래스와 관련된 시각적 속성들을 식별하기 위해 이미지들의 트레이닝 세트를 분류기(208)로 제공할 수 있다. 일부 실시예로, 이미지 분류 트레이닝 모듈(204)은 분류기(208)가 특정 이미지 클래스에 상응하는 시각적 패턴의 템플릿을 생성하도록 명령할 수 있다. 일부 실시예로, 이미지 분류 트레이닝 모듈(204)은, 원한다면, 가령 분류된 이미지 데이터스토어(210)와 같은 위치에 분류된 이미지들 및/또는 관련된 시각적 패턴 템플릿들을 저장할 수 있다. 이미지 분류 트레이닝 모듈(204)은 또한, 이미지들의 트레이닝 세트를 선택하는 것을 돕기 위해 수동 주석자(manual annotator)를 사용할 수 있다. 이미지 분류 트레이닝 모듈(204)은 도 3 및 도 7의 컨텍스트에서 더 논의된다.Context cues are analyzed to identify a training set of images from a sample set of images. The training set of images represents the images that correlate most closely with the image class. During the training phase, the image
분류기(208)는 이미지 분류 트레이닝 모듈(204)에 연결될 수 있고, 분류된 이미지 데이터스토어(예컨대, 도 2b에 도시된 분류된 이미지 데이터스토어(210))에 연결될 수 있다. 분류기는 이미지 분류 트레이닝 모듈(204)로부터 이미지들을 수신할 수 있다. 트레이닝 단계에서, 분류기(208)는 특정 시각적 패턴의 존재에 대해 이미지들의 트레이닝 세트를 평가할 수 있다. 분류기(208)는 특정 시각적 패턴을 이미지 클래스와 관련시킬 수 있고, 시각적 패턴 템플릿을 생성할 수 있으며, 시각적 패턴 템플릿이 저장되도록 할 수 있다. 트레이닝 단계에서, 분류기(208)는 트레이닝에 사용된 이미지들을 이미지 분류 트레이닝 모듈(204)로 돌려보낼 수 있다. 일부 실시예로, 분류기(208)는 이미지 분류 트레이닝 모듈(204)로 돌아가는 연결(예컨대, 피드백 루프를 통해)을 포함할 수 있다. 결과적으로, 분류기(208)는 이미지 분류 트레이닝 모듈(204)의 정확성을 보조할 수 있다. 이러한 돌아가는 연결은 향후의 분류 및 트레이닝의 향상을 보조할 수 있다. 분류기(208)는 도 5의 컨텍스트에서 더 논의된다.The
도 2b는 일부 실시예에 따른, 이미지 분류 모듈(104)의 예를 도시한다. 이미지 분류 모듈(104)은 미분류 이미지 데이터스토어(212), 이미지 분류 평가 모듈(206), 분류기(208), 및 분류된 이미지 데이터스토어(210)를 포함할 수 있다. 미분류 이미지 데이터스토어(212)는 이미지 분류 평가 모듈(206)에 연결될 수 있다. 미분류 이미지 데이터스토어(212)는 미분류 이미지들을 저장할 수 있다. 미분류 이미지 데이터스토어(212)는 도 2a에 도시된 미분류 이미지 데이터스토어(202)와 동일할 수 있으나, 그럴 필요가 있는 것은 아니다.2B shows an example of an
이미지 분류 평가 모듈(206)은 미분류 이미지 데이터스토어(212)에 연결될 수 있고, 분류기(208)에 연결될 수 있다. 일부 실시예로, 이미지 분류 평가 모듈(206)은 평가 단계(evaluation phase)를 구현할 수 있다. 평가 단계는, 이미지 분류 평가 모듈(206)이 분류기(208)를 사용하여 이미지들의 평가 세트에서 시각적 패턴을 인식하는 이미지 분류 모듈(104)의 단계를 포함할 수 있다. 일실시예로, 이미지들의 평가 세트는 미분류 이미지 데이터스토어(212)로부터 선택될 수 있다.The image
평가 단계 동안에, 이미지 분류 평가 모듈(206)은 미분류 이미지 데이터스토어(212)로부터의 이미지들의 평가 세트를 분류기(208)로 제공할 수 있다. 다양한 실시예로, 이미지 분류 트레이닝 모듈(204)은, 트레이닝 단계에서, 분류기(208)가 이미지 클래스와 관련된 이미지들의 트레이닝 세트의 시각적 속성을 인식하도록 트레이닝했을 수 있다. 이미지들의 평가 세트는, 이미지들의 샘플 세트 및 이미지들의 트레이닝 세트와는 다른 이미지들의 세트를 포함할 수 있다. 일부 실시예로, 이미지 분류 평가 모듈(206)은 또한, 분류기(208)가 이미지들의 평가 세트와 비교할 이미지 클래스를 분류기(208)에 제공할 수 있다. 다양한 실시예로, 이미지 분류 평가 모듈(206)은 분류기(208)가 이미지 클래스와의 상관관계에 기초하여 이미지들의 평가 세트를 순위화 및/또는 점수화하도록 명령할 수 있다. 이미지 분류 평가 모듈(206)은 또한, 분류된 이미지 데이터스토어(210)에 이미지들(즉, 이미지 클래스와의 상관관계에 기초하여 점수화된 이미지들)의 순위 및 점수를 저장할 수 있다. 이미지 분류 평가 모듈(206)은 도 4 및 도 8의 컨텍스트에서 더 논의된다.During the evaluation phase, the image
분류기(208)는 이미지 분류 트레이닝 모듈(204) 및 이미지 분류 평가 모듈(206)에 연결될 수 있다. 분류기(208)는 이미지 분류 평가 모듈(206)로부터 이미지들을 수신할 수 있다. 평가 단계에서, 분류기(208)는, 각각의 이미지 및 관심있는 이미지 클래스와 관련된 시각적 패턴 템플릿 사이의 상관관계를 점수화하기 위해 이미지들의 평가 세트에 시각적 패턴 인식을 수행할 수 있다. 평가 단계에서, 분류기(208)는 평가에서 사용된 이미지들을 이미지 분류 평가 모듈(206)로 돌려보낼 수 있다. 분류기(208)는 도 5의 컨텍스트에서 더 논의된다.The
분류된 이미지 데이터스토어(210)는 분류기(208) 및 이미지 애플리케이션 모듈(106)로 연결될 수 있다. 분류된 이미지 데이터스토어(210)는 분류된 이미지, 이미지 클래스, 시각적 패턴 템플릿, 및 다른 정보를 포함하는 정보를 저장할 수 있다. 일부 실시예로, 분류된 이미지 데이터스토어(210)는, 분류된 이미지에 대한 액세스를 찾는 API들에 의한 분류된 이미지들의 효율적인 검색을 용이하게 하도록 인덱싱될 수 있다. 예컨대, 분류된 이미지 데이터스토어(210)는 분류된 이미지들을 액세스하려는 이미지 애플리케이션 모듈(106)에 연결된 검색 모듈과 호환되도록 구성될 수 있다.The classified image datastore 210 may be connected to the
도 3은 일부 실시예에 따른, 이미지 분류 트레이닝 모듈(204)의 예를 도시한다. 이미지 분류 트레이닝 모듈(204)은 트레이닝 이미지 선택 모듈(301), 트레이닝 이미지 데이터스토어(309), 및 분류기 트레이닝 모듈(310)을 포함할 수 있다.3 shows an example of an image
트레이닝 이미지 선택 모듈(301)은 미분류 이미지 데이터스토어(202)에 연결될 수 있고, 트레이닝 이미지 데이터스토어(309)에 연결될 수 있다. 트레이닝 미지 선택 모듈(301)은 이미지들의 샘플 세트로부터 이미지들의 트레이닝 세트를 식별할 수 있다. 트레이닝 이미지 선택 모듈(301)은 또한, 트레이닝 이미지 데이터스토어(309)에 이미지들의 트레이닝 세트를 저장할 수 있다. 트레이닝 이미지 선택 모듈(301)은 트레이닝 이미지 수집 모듈(302), 컨텍스트 큐 추출 모듈(304), 이미지 클래스 특정(specification) 모듈(306), 및 이미지 클래스 상관 모듈(308)을 포함할 수 있다.The training
트레이닝 이미지 수집 모듈(302)은 트레이닝 이미지 선택 모듈(301)의 다른 모듈들에 연결될 수 있다. 일부 실시예로, 트레이닝 이미지 수집 모듈(302)은, 이미지들의 샘플 세트와 관련된 컨텍스트 큐와 함께 이미지들의 샘플 세트를 수집할 수 있다. 이미지들의 샘플 세트 및 관련된 컨텍스트 큐는 미분류 이미지 데이터스토어(202)로부터 검색될 수 있다.The training
컨텍스트 큐 추출 모듈(304)은 트레이닝 이미지 선택 모듈(301)의 다른 모듈들에 연결될 수 있다. 컨텍스트 큐 추출 모듈(304)은 이미지들의 샘플 세트와 관련된 컨텍스트 큐들을 추출하도록 구성될 수 있다. 본 명세서에서 논의되는 것처럼, 컨텍스트 큐는 이미지의 컨텍스의 비시각적 표시자를 포함할 수 있다. 이미지에 대한 컨텍스트 큐의 예는 이미지를 위한 이미지 태그, 이미지를 캡쳐하는 장치의 GPS 좌표, 이미지의 태거, 업로더, 및 소유자의 신원, 이미지의 소유자들의 신원, 이미지와 직접 또는 간접적으로 관련된 다른 정보 등을 포함할 수 있다. 일부 실시예로, 컨텍스트 큐 추출 모듈(304)은 이미지 클래스 상관 모듈(308)에 컨텍스트 큐들의 세트를 제공하여, 이미지 클래스 상관 모듈(308)이 컨텍스트 큐를 이미지 클래스와 상관시키도록 할 수 있다.The context queue extraction module 304 may be connected to other modules of the training
이미지 클래스 특정 모듈(306)은 트레이닝 이미지 선택 모듈(301)의 다른 모듈들에 연결될 수 있다. 이미지 클래스 특정 모듈(306)은 분류기(208)가 인식하도록 트레이닝된 이미지 클래스를 특정하도록 구성될 수 있다. 일부 실시예로, 이미지 클래스 특정 모듈(306)은 사람이거나 또는 자동화될 수 있는 관리자로부터 이미지 클래스를 특정하는 명령을 수신할 수 있다. 다양한 실시예로, 이미지 클래스의 특정은, 이미지 클래스가 존재하지 않는다면 이미지 클래스를 생성하거나, 혹은 이러한 이미지 클래스가 존재한다면 이미지 클래스를 지정하는 것을 수반할 수 있다.The image class specification module 306 may be connected to other modules of the training
이미지 클래스 상관 모듈(308)은 트레이닝 이미지 선택 모듈(301)의 다른 모듈들에 연결될 수 있다. 이미지 클래스 상관 모듈(308)은 컨텍스트 큐 추출 모듈(304)로부터 관련된 컨텍스트 큐와 함께 하나 이상의 이미지들의 샘플 세트를 수신할 수 있고, 이미지 클래스 특정 모듈(306)로부터 특정된 이미지 클래스를 수신할 수 있다. 이미지 클래스 상관 모듈(308)은 특정 이미지의 컨텍스트 큐들이 특정 이미지 클래스와 상관될 정도(extent)를 결정할 수 있다. 더 구체적으로, 이미지 클래스 상관 모듈(308)은 각각의 이미지에, 주어진 이미지가 이미지 클래스와 상관되는 확률을 표시하는 점수 또는 값을 할당할 수 있다. 일부 실시예로, 이미지 클래스 상관 모듈(308)은 또한, 각각의 이미지의 점수에 기초하여 이미지들의 샘플 세트 중 각각을 순위화할 수 있다. 일부 실시예로, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플 세트로부터 가령 이미지들의 샘플 세트 중 최고 점수의 이미지들과 같은 트레이닝 세트를, 분류기 트레이닝 모듈(310)로 제공하기 위해 선택할 수 있다. 유리하게, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플 세트에서 컨텐츠의 어떠한 시각적 인식도 수행할 필요가 없다.The image class correlation module 308 may be connected to other modules of the training
다음의 설명은 이미지 클래스 상관 모듈(308)이 이미지들과 관련된 컨텍스트 큐에 기초하여 어떻게 가능성이 높은 이미지들의 컨텐츠를 결정할 수 있는지의 예를 제공한다. 다음의 설명에서 제공되는 것처럼, 이미지 클래스 상관 모듈(308)은 태그 자체, 태그의 신택스(syntax)를 분석할 수 있거나, 또는 컨텍스트 큐 추출 모듈(304)에 의해 추출된 컨텍스트 큐에 다른 타입의 분석을 수행할 수 있다. 이미지 클래스 상관 모듈(308)은 또한, 이미지들의 트레이닝 세트를 결정하기 위해 컨텍스트 큐들에 기초하여 이미지들의 샘플 세트를 특정된 이미지 클래스와 상관시키는 다음의 예들의 임의의 조합을 제공할 수 있다.The following description provides an example of how the image class correlation module 308 can determine the content of likely images based on the context queue associated with the images. As provided in the following description, the image class correlation module 308 may analyze the tag itself, the syntax of the tag, or other types of analysis in the context queue extracted by the context queue extraction module 304 You can do it. The image class correlation module 308 may also provide any combination of the following examples of correlating a sample set of images with a specified image class based on context cues to determine a training set of images.
일부 실시예로, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플의 이미지 태그의 신택스를 분석할 수 있다. 이미지 클래스 상관 모듈(308)은 특정 신택스가 주어진 이미지 클래스와 얼마나 확률이 높게 상관되는지를 결정할 수 있다. 일부 실시예로, 이미지 태그의 신택스 분석은 이미지 태그의 정확한 언어에 가중치를 할당하는 것을 수반할 수 있다. 즉, 이미지 클래스 상관 모듈(308)은, 이미지와 관련된 태그의 정확한 단어 선택(wording)은, 태그가 이미지 클래스와 상관되어야 함을 표시한다고 결정할 수 있다. 예컨대, 이미지는 이미지 태그 "#domestic housecat"으로 태그될 수 있다. 이미지 클래스 상관 모듈(308)은 태그 "#domestic housecat"이 가정의 집 고양이의 이미지에 대한 이미지 클래스와 높은 정도로 상관된다고 결정할 수 있다. 다른 예로, 이미지 클래스 상관 모듈(308)은 태그 "#domestic house market"이 가정의 집 고양이에 대한 이미지 클래스와 낮은 정도로 상관된다고 결정할 수 있다.In some embodiments, the image class correlation module 308 may analyze the syntax of an image tag of a sample of images. The image class correlation module 308 may determine how likely a particular syntax is correlated with a given image class. In some embodiments, syntax analysis of an image tag may involve assigning weights to the exact language of the image tag. That is, the image class correlation module 308 may determine that correct wording of the tag associated with the image indicates that the tag should be correlated with the image class. For example, the image may be tagged with the image tag "#domestic housecat". The image class correlation module 308 may determine that the tag "#domestic housecat" correlates to a high degree with the image class for the image of the domestic house cat. As another example, the image class correlation module 308 may determine that the tag "#domestic house market" correlates to a low degree with the image class for the domestic cat.
이미지 클래스 상관 모듈(308)은 또한, 이미지와 관련된 일련의 이미지 태그에서 특정 이미지 태그의 순서를 분석할 수 있다. 예컨대, 가정의 집 고양이의 사진을 태그하고자 하는 사람은 다음의 일련의 태그들: "#cat, #athome, #Sunday, #animal"을 포함할 수 있다. 이미지 클래스 상관 모듈(308)은 태그 "#cat"이 일련의 태그들에서 제1 태그이며, 따라서 이미지가 가정의 집 고양이의 이미지일 확률이 높다고 식별할 수 있다. 이미지 클래스 상관 모듈(308)은 이미지를 이미지 클래스에 상관시키는 것에서의 가중치를 일련의 태그들에 할당할 수 있다. 이미지를 이미지 클래스와 상관시키기 위해, 이미지 클래스 상관 모듈(308)은 또한, 일련의 태그들에서의 제1 위치와는 다른 위치들에서의 태그들을 감안할 수 있음을 유의해야 한다.The image class correlation module 308 may also analyze the order of a particular image tag in a series of image tags associated with the image. For example, a person who wants to tag a picture of a home cat may include the following series of tags: "#cat, #athome, #Sunday, #animal". The image class correlation module 308 may identify that the tag "#cat" is a first tag in a series of tags, and thus, the image is likely to be an image of a domestic cat. The image class correlation module 308 may assign a weight in correlating an image to an image class to a series of tags. It should be noted that, to correlate an image with an image class, the image class correlation module 308 may also take into account tags at locations other than the first location in the series of tags.
이미지 클래스 상관 모듈(308)은 또한, 복수의 이미지 태그들이 서로 동의어인지 여부를 분석할 수 있다. 예컨대, 제1 이미지가 다음과 같이 태그되었다고 가정한다: "#cat, #athome, #Halloween, #Catwoman, #costume, #DC Comics®". 또한, 제2 이미지는 다음과 같이 태그되었다고 가정한다: "#cat, #mammal, #animal, #housecat, #tomcat, #feline, #cute". 이미지 클래스 상관 모듈(308)은, 제1 이미지의 태그들의 일부에 기초하여, 일련의 태그들이 서로와 동의어가 아니며, 제1 이미지는 가정의 집 고양이의 이미지를 포함할 가능성이 높지 않다고 결정할 수 있다. 이미지 클래스 상관 모듈(308)은 또한, 제2 이미지의 태그들의 일부에 기초하여, 일련의 태그들이 동의어이며(예컨대, "cat", "tomcat", 및 "feline"), 제2 이미지는 가정의 집 고양이의 이미지를 포함할 확률이 제1 이미지보다 높다고 결정할 수 있다. 따라서, 이미지 클래스 상관 모듈(308)은 가정의 집 고양이의 이미지 클래스와 관련하여 제1 이미지의 점수보다 높은 점수를 제2 이미지에 대해 할당할 수 있다.The image class correlation module 308 may also analyze whether a plurality of image tags are synonymous with each other. For example, suppose the first image was tagged as: "#cat, #athome, #Halloween, #Catwoman, #costume, #DC Comics®". Also, assume that the second image is tagged as: "#cat, #mammal, #animal, #housecat, #tomcat, #feline, #cute". The image class correlation module 308 may determine that, based on some of the tags of the first image, the series of tags are not synonymous with each other, and that the first image is not likely to include an image of a domestic cat. . The image class correlation module 308 also allows a series of tags to be synonymous (e.g., "cat", "tomcat", and "feline"), based on a portion of the tags of the second image, and the second image It may be determined that the probability of including the image of the house cat is higher than that of the first image. Accordingly, the image class correlation module 308 may allocate a score higher than the score of the first image to the second image in relation to the image class of the domestic cat.
일부 실시예로, 이미지 클래스 상관 모듈(308)은 반의어 또는 다른 의미의 부존재에 대해 복수의 이미지 태그들을 평가할 수 있다. 예컨대, 제1 이미지가 다음과 같이 태그되었다고 가정한다: "#blackcar," "#whitecar," "#luxurycar," "#My Mercedes". 제2 이미지는 다음과 같이 태그되었다고 가정한다: "#blackcar," "#darkcar," "#luxurycar," "#My Mercedes". 이미지 클래스 상관 모듈(308)은 제2의 일련의 태그들이 "blackcar"에 대한 반의어가 부족하다는 사실에 기초하여, 제2 이미지는 검정색 자동차에 상응하는 이미지 클래스와 높은 정도로 상관된다고 결정할 수 있다. 이미지 클래스 상관 모듈(308)은 검정색 자동차의 이미지 클래스와 관련하여 제1 이미지에 대한 점수보다 큰 제2 이미지에 대한 점수를 할당할 수 있다.In some embodiments, the image class correlation module 308 may evaluate a plurality of image tags for antonym or non-presence of another meaning. For example, assume that the first image is tagged as: "#blackcar," "#whitecar," "#luxurycar," "#My Mercedes". Assume the second image was tagged as: "#blackcar," "#darkcar," "#luxurycar," "#My Mercedes". The image class correlation module 308 may determine that the second image correlates to a high degree with an image class corresponding to a black car, based on the fact that the second series of tags lack an antonym for “blackcar”. The image class correlation module 308 may allocate a score for the second image that is greater than the score for the first image in relation to the image class of the black car.
이미지 클래스 상관 모듈(308)은 일부 실시예로, 온톨로지(ontology) 또는 언어 계층(language hierarchy)에 기초하여 이미지 태그의 관계를 평가할 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은 온라인 소스(예컨대, WordNet)로부터 하나 이상의 단어의 온톨로지를 개발할 수 있고, 감정적인 영향을 갖는 단어들(예컨대, "happy," "sad," red dress," "black car")을 찾을 수 있다. 다른 예로, 이미지가 다음과 같이 태그되었다고 가정한다: "#cat, #mammal, #animal, #housecat, #tomcat, #feline, #cute". 이미지 클래스 상관 모듈(308)은 "cat"이 "mammal"에 의해 식별되는 아이템들의 패밀리의 일부이며, 결국 "animal"에 의해 식별되는 아이템들의 패밀리의 일부라고 결정할 수 있다. 결과적으로, 이미지 클래스 상관 모듈(308)은 이러한 예에서, 태그가 이미지에 묘사된 가정의 집 고양이의 신뢰할 수 있는 표시자를 제공하는 것으로 식별할 수 있다. 이미지 클래스 상관 모듈(308)은 이후 가정의 집 고양이의 이미지 클래스와 관련하여 이미지들을 그에 맞춰 점수화할 수 있다.The image class correlation module 308 may, in some embodiments, evaluate the relationship of image tags based on an ontology or language hierarchy. For example, the image class correlation module 308 may develop an ontology of one or more words from an online source (eg, WordNet), and words with emotional influence (eg, “happy,” “sad,” red dress,” "black car") As another example, suppose the image is tagged as: "#cat, #mammal, #animal, #housecat, #tomcat, #feline, #cute". Image class correlation module 308 may determine that “cat” is part of the family of items identified by “mammal”, and eventually is part of the family of items identified by “animal.” As a result, the image class correlation module 308 In this example, the tag can be identified as providing a reliable indicator of the domestic house cat depicted in the image. The image class correlation module 308 then retrieves the images in relation to the image class of the household house cat. You can score accordingly.
다양한 실시예로, 이미지 클래스 상관 모듈(308)은 태그 단어 및 구절의 다른 자연어 분석을 수행할 수 있다. 일부 실시예로, 이미지 클래스 상관 모듈(308)은 태그 단어들의 철자 오기를 감안할 수 있다. 이미지 클래스 상관 모듈(308)은 또한, 영어가 아닌 언어들을 감안할 수 있고, 영어에 대응되는 것과 연계하여 영어가 아닌 단어들의 존재(예컨대, 동일한 일련의 태그들에서 "#cat" 및 "#gato")를 찾는 것을 포함할 수 있다. 이러한 예들 각각에서, 이미지 클래스 상관 모듈(308)은 특정 이미지 클래스와 관련하여 이미지들의 세트를 적절하게 점수화할 수 있다.In various embodiments, the image class correlation module 308 may perform other natural language analysis of tagged words and phrases. In some embodiments, the image class correlation module 308 may allow for misspelling of tag words. The image class correlation module 308 may also take into account non-English languages, and the presence of non-English words (eg, “#cat” and “#gato” in the same series of tags) in association with the English equivalent. ). In each of these examples, the image class correlation module 308 may appropriately score a set of images with respect to a particular image class.
이미지 태그의 신택스를 분석하는 것에 추가로, 이미지 클래스 상관 모듈(308)은 이미지 생성 및/또는 태깅과 관련된 소셜 큐(social cue)들을 분석할 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플 세트와 관련된 위치 데이터를 분석할 수 있다. 더욱 구체적으로, 이미지 클래스 상관 모듈(308)은 이미지의 GPS 좌표를 평가할 수 있다. 예컨대, GPS 좌표는 사용자의 모바일 장치 상의 GPS 송수신기로부터 획득될 수 있거나, 이미지가 업로드될 때 또는 그 후에 이미지의 지리적 태깅(geographical tagging)으로부터 획득될 수 있다. 특정 이미지의 위치 데이터를 사용하여, 이미지 클래스 상관 모듈(308)은 특정 이미지 클래스에 관련된 점수를 특정 이미지에 할당할 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은 이미지가 샌프란시스코의 금문교(Golden Gate Bridge in San Francisco) 근처에서 찍혔다고 위치 데이터로부터 결정할 수 있다. 이미지 클래스 상관 모듈(308)은 이후 대교(bridge)의 이미지 클래스와 관련된 점수를 이미지에 할당할 수 있다.In addition to analyzing the syntax of an image tag, the image class correlation module 308 may analyze social cues related to image generation and/or tagging. For example, the image class correlation module 308 may analyze positional data associated with a sample set of images. More specifically, the image class correlation module 308 may evaluate the GPS coordinates of the image. For example, GPS coordinates may be obtained from a GPS transceiver on the user's mobile device, or from geographical tagging of the image when or after the image is uploaded. Using the location data of a particular image, the image class correlation module 308 may assign a score related to the particular image class to the particular image. For example, the image class correlation module 308 may determine from location data that the image was taken near the Golden Gate Bridge in San Francisco. The image class correlation module 308 may then assign a score related to the image class of the bridge to the image.
일부 실시예로, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플 세트 중 특정 이미지의 생성자의 신원을 포함하는 소셜 큐를 분석할 수 있다. 이미지 클래스 상관 모듈(308)은 특정 엔티티들이 특정 이미지 클래스에서 이미지들을 생성할 가능성이 높은지 여부에 따라 점수를 할당할 수 있다. 예컨대, 엔티티가 과거에 특정 이미지 클래스에서 많은 이미지들을 생성했었다면, 이미지 클래스 상관 모듈(308)은 이미지 클래스와의 높은 정도의 상관관계를 반영하도록 엔티티의 특정 이미지를 점수화할 수 있다.In some embodiments, the image class correlation module 308 may analyze a social cue that includes the identity of a creator of a particular image among a sample set of images. The image class correlation module 308 may allocate a score according to whether certain entities are likely to generate images in a certain image class. For example, if an entity has generated many images from a particular image class in the past, the image class correlation module 308 may score a particular image of the entity to reflect a high degree of correlation with the image class.
일부 실시예로, 이미지 클래스 상관 모듈(308)은 이미지들의 샘플 세트 중 하나의 소유자가 이미지의 생성자 또는 이미지의 태거였는지를 표시하는 소셜 큐를 분석할 수 있다. 일부 실시예로, 이미지 클래스 상관 모듈(308)은 엔티티가 이미지를 소유하거나 또는 생성되거나 태그된 이미지에 대한 지식 재산권을 소유하는지 여부를 결정할 수 있다. 예컨대, 상표(예컨대, Coca-Cola® 로고)의 이미지 클래스와 관련하여, 이미지 클래스 상관 모듈(308)은, 이미지가 상표를 소유한 엔티티(예컨대, Coca-Cola® 사)에 의해 생성되거나 태그되었다면, 높은 정도의 상관관계를 반영하는 점수를 이미지에 제공할 수 있다. 이러한 가중치 기법은 상표등록된 이미지 또는 로고를 인식하는데 특히 유용한 것으로 증명될 수 있다.In some embodiments, the image class correlation module 308 may analyze a social cue indicating whether the owner of one of the sample set of images was the creator of the image or the tagger of the image. In some embodiments, the image class correlation module 308 may determine whether the entity owns the image or owns intellectual property rights for the created or tagged image. For example, with respect to the image class of a trademark (e.g., Coca-Cola® logo), the image class correlation module 308 may be used if the image was created or tagged by an entity that owns the trademark (e.g., Coca-Cola®). , A score reflecting a high degree of correlation can be provided to the image. This weighting technique can prove to be particularly useful for recognizing trademarked images or logos.
일부 실시예로, 이미지 클래스 상관 모듈(308)은 소셜 네트워킹 시스템에서 사람의 상태 또는 프로필을 표시하는 소셜 큐를 분석할 수 있다. 사람은 이미지들의 샘플 세트 중 특정 이미지의 생성자 및/또는 태거일 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은, 사람의 활동들(예컨대, 과거 게시물, 상태 업데이트, 친구관계, 메시지 이력, 과거 태그 이력, 과거 이미지 생성 이력, 이력의 브라우징, 온라인 프로필 등), 또는 관계들(예컨대, 친구들)에 기초하여 사람이 신뢰할 만한 이미지 생성자 및/또는 태거일 가능성이 높은지 여부를 결정할 수 있다. 이미지 클래스 상관 모듈(308)은 사람의 상태 또는 프로필이 사람이 일반적으로 또는 특히 이미지 클래스와 관련하여 신뢰할 만한 이미지 생성자 및/또는 태거임을 표시하는지 여부에 기초하여 하나 이상의 이미지에 다양한 점수를 할당할 수 있다.In some embodiments, the image class correlation module 308 may analyze a social queue indicating a person's status or profile in a social networking system. A person may be the creator and/or tagger of a particular image of a sample set of images. For example, the image class correlation module 308 may include human activities (eg, past posts, status updates, friend relationships, message history, past tag history, past image creation history, history browsing, online profile, etc.), or relationships. Based on their friends (eg, friends), one can determine whether a person is likely to be a reliable image creator and/or tagger. The image class correlation module 308 may assign various scores to one or more images based on whether the person's status or profile indicates that the person is a reliable image creator and/or predecessor in general or particularly with respect to the image class. have.
다양한 실시예로, 이미지 클래스 상관 모듈(308)은 다른 이미지 클래스들의 존재 또는 부존재를 표시하는 소셜 큐들을 분석할 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은 이미지가 보트(boat)를 포함하고, 결과적으로 이미지가 실내가 아닐 가능성이 높다고 결정할 수 있다. 컨텍스트 큐들(예컨대, 해시태그 "#indoors")의 존재는 이미지가 보트를 포함할 가능성이 낮다고 표시할 수 있다. 다른 예로, 이미지 클래스 상관 모듈(308)은 이미지에서 하나의 객체의 존재는, 다른 객체가 이미지에 존재하거나 존재하지 않을 수 있음을 의미할 수 있다고 결정할 수 있다. 예컨대, 이미지에서 소(cow)를 표시하는 컨텍스트 큐들의 존재는, 이미지가 소와 비행기 모두를 포함할 가능성이 낮다는 사실에 비추어 볼 때, 이미지 클래스 상관 모듈(308)이 비행기에 대한 음의 상관관계(negative correlation)를 제공하도록 할 수 있다. 다른 예로, 이미지에서 한마리의 닭을 표시하는 하나의 컨텍스트 큐의 존재는, 한마리의 닭을 포함하는 이미지가 다른 닭들을 포함할 가능성이 높다는 사실에 비추어 볼 때, 이미지 클래스 상관 모듈(308)이 이미지에서 다른 닭들에 대한 양의 상관관계를 제공하도록 할 수 있다. 마찬가지로, 양(sheep)의 존재는 목양견(sheepdog)에 대한 양의 상관관계(positive correlation)를 표시할 수 있다.In various embodiments, the image class correlation module 308 may analyze social cues indicating the presence or absence of other image classes. For example, the image class correlation module 308 may determine that the image includes a boat, and as a result, it is highly likely that the image is not indoors. The presence of context cues (eg, hashtag “#indoors”) may indicate that the image is unlikely to contain a boat. As another example, the image class correlation module 308 may determine that the existence of one object in the image may mean that another object may or may not exist in the image. For example, the presence of context cues representing cows in an image is that, given the fact that the image is unlikely to contain both a cow and an airplane, the image class correlation module 308 is negatively correlated with the airplane. You can try to provide a negative correlation. As another example, the existence of one context queue representing one chicken in the image, in light of the fact that the image containing one chicken is likely to contain other chickens, the image class correlation module 308 Can be made to provide positive correlations for other chickens. Likewise, the presence of a sheep can indicate a positive correlation for a sheepdog.
이미지 클래스 상관 모듈(308)은 위에서 논의된 것들을 포함하지만 이들로 제한되지 않고 하나 이상의: 업로더가 이미지의 소유자인지 여부, 이미지의 파일 타입, 이미지의 또는 이미지와 관련된 메타데이터, 이미지를 좋아한 사람들의 신원, 태그 또는 이미지를 열람한 사용자들의 숙련도 또는 경험, 이미지가 이미지 클래스에서 이전에 분류되었는지 여부 (및 그렇다면, 그 이미지 클래스와 관련된 이미지의 점수가 무엇인지) 등을 포함하는 다양한 소셜 큐들을 분석할 수 있다. 본 명세서에서 명시적으로 논의된 것들을 제외한 다른 소셜 큐들은 이미지들을 이미지 클래스와 상관시키고 점수화하기 위해 이미지 클래스 상관 모듈(308)에 의해 분석될 수 있다. 이미지 클래스 상관 모듈(308)은, 이러한 이미지들의 컨텍스트 큐가 하나 이상의 이미지 클래스와 높은 정도로 상관되는 정도에 기초하여 다양한 점수들을 다양한 이미지들에 할당할 수 있다.The image class correlation module 308 includes, but is not limited to, those discussed above, one or more: whether the uploader is the owner of the image, the file type of the image, the metadata of the image or related to the image, people who liked the image. Analyze various social cues including the identity of the user, the skill level or experience of users who viewed the tag or image, whether the image was previously classified in the image class (and, if so, what the score of the image associated with that image class), etc. can do. Social cues other than those explicitly discussed herein may be analyzed by the image class correlation module 308 to correlate and score images with the image class. The image class correlation module 308 may assign various scores to various images based on the degree to which the context queue of these images correlates to one or more image classes to a high degree.
점수를 이미지에 할당하는 것에 추가로, 이미지 클래스 상관 모듈(308)은 또한, 하나 이상의 이미지 클래스에 관해 이미지들의 샘플 세트를 순위화할 수 있다. 예컨대, 이미지 클래스 상관 모듈(308)은 이미지 클래스와 관련된 각각의 이미지의 점수에 기초하여 이미지들의 샘플 세트의 각각의 이미지를 순위화할 수 있다. 순위는 각각의 이미지의 이미지 클래스에 대한 상대적인 상관관계를 반영할 수 있다. 이미지 클래스 상관 모듈(308)은 이미지들의 트레이닝 세트를 생성하기 위해 가중치, 점수, 및/또는 순위를 사용할 수 있다.In addition to assigning a score to an image, the image class correlation module 308 may also rank a sample set of images with respect to one or more image classes. For example, the image class correlation module 308 may rank each image in a sample set of images based on the score of each image associated with the image class. The ranking may reflect the relative correlation of each image to the image class. Image class correlation module 308 may use weights, scores, and/or rankings to generate a training set of images.
트레이닝 이미지 데이터스토어(309)는 트레이닝 이미지 선택 모듈(301)로부터 이미지들의 트레이닝 세트를 수신할 수 있다. 트레이닝 이미지 데이터스토어(309)는 이미지들의 트레이닝 세트를 저장할 수 있다. 일부 실시예로, 트레이닝 이미지 데이터스토어(309)는 분류 트레이닝 모듈(310)이 이미지들의 트레이닝 세트를 액세스하는 것을 허용할 수 있다.The
분류기 트레이닝 모듈(310)은 트레이닝 이미지 데이터스토어(309)에 연결될 수 있고, 분류기(208)에 연결될 수 있다. 다양한 실시예로, 분류기 트레이닝 모듈(310)은 이미지 클래스를 인식하게끔 분류기(208)를 트레이닝하는 이미지들의 트레이닝 세트를 제공할 수 있다. 이미지들의 트레이닝 세트는, 특정 이미지 클래스와 관련하여 샘플 세트의 최상위의 이미지들의 임계 개수로 제한될 수 있다. 최상위 이미지들의 임계 개수는 값 K에 의해 표현될 수 있고, 여기서 K는 임의의 정수 값(integer value)이다. 예컨대, 트레이닝 이미지 수집 모듈(302)이 궁극적으로 분류기(208)가 "domestic housecats"에 대한 이미지 클래스를 인식하도록 트레이닝 하기 위한 이미지들의 샘플 세트로 1000개의 이미지들을 수집했다고 가정한다. 또한, 이미지 클래스 상관 모듈(308)이 이러한 이미지들 중 200개에 잔존하는 800개의 이미지들에 할당된 점수보다 높은 점수들을 할당했다고 가정한다. 이러한 경우, 분류기 트레이닝 모듈(310)은 분류기(208)에 상위 점수의 200개 이미지를 이미지들의 트레이닝 세트로서 제공할 수 있어서 분류기(208)가 가정의 집 고양이에 대한 이미지 클래스와 높게 상관되는 이미지들의 시각적 속성을 효율적으로 결정할 수 있도록 한다.The
도 4는 일부 실시예에 따른, 이미지 분류 평가 모듈(206)의 예를 도시한다. 이미지 분류 평가 모듈(206)은 평가 이미지 수집 모듈(402), 분류기 입력 모듈(404), 시각적 패턴 템플릿 수집 모듈(405), 분류기 점수 수신 모듈(406), 시각적 속성 순위화 모듈(408), 및 평가된 이미지 제공 모듈(410)을 포함할 수 있다.4 shows an example of an image
평가 이미지 수집 모듈(402)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있다. 일부 실시예로, 평가 이미지 수집 모듈(402)은 미분류 이미지 데이터스토어(202)로부터 이미지 분류를 위한 이미지들의 평가 세트를 수집할 수 있다. 이미지들의 평가 세트는 이미지들의 샘플 세트 및 이미지들의 트레이닝 세트와 동일하거나 상이할 수 있다. 이미지들의 평가 세트는, 이미지들의 샘플 세트와 이미지들의 트레이닝 세트와는 상이한 개수의 이미지들(예컨대, 더 많은 수의 이미지들)을 포함할 수 있다. 다양한 실시예로, 이미지들의 평가 세트는 미분류 이미지 데이터스토어(202)로부터 무작위로 또는 선택적으로 획득될 수 있다.The evaluation
시각적 패턴 템플릿 수집 모듈(405)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있고, 이미지 분류 트레이닝 모듈(204)에 연결될 수 있다. 일부 실시예로, 시각적 패턴 템플릿 수집 모듈(405)은 특정 이미지 클래스에 상응하는 시각적 패턴 템플릿을 이미지 분류 트레이닝 모듈(204)로부터 수신할 수 있다. 시각적 패턴 템플릿 수집 모듈(405)은 분류기 입력 모듈(404)에 시각적 패턴 템플릿을 더 제공할 수 있다.The visual pattern
분류기 입력 모듈(404)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있다. 일부 실시예로, 분류기 입력 모듈(404)은 이미지들의 평가 세트를 평가 이미지 수집 모듈(402)로부터 수신할 수 있다. 분류기 입력 모듈(404)은 또한, 시각적 패턴 템플릿 수집 모듈(405)로부터 특정 이미지 클래스에 상응하는 시각적 패턴 템플릿을 수신할 수 있다. 분류기 입력 모듈(404)은, 분류기(208)가 이미지들의 평가 세트 각각에서 시각적 패턴 템플릿의 인식을 시도하도록 명령할 수 있다.The
분류기 점수 수신 모듈(406)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있다. 일부 실시예로, 분류기 점수 수신 모듈(406)은 분류기(208)로부터 이미지들의 평가 세트 중 특정 이미지들이 시각적 패턴 템플릿과 상관되는 정도를 표시하는 점수들을 수신할 수 있다.The classifier
시각적 속성 순위화 모듈(408)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있다. 다양한 실시예로, 시각적 속성 순위화 모듈(408)은, 이미지들의 평가 세트의 각각의 이미지의 점수가 시각적 패턴 템플릿과 상관되는 정도에 기초하여 이미지들의 평가 세트를 순위화할 수 있다. 일부 실시예로, 시각적 속성 순위화 모듈(408)은, 인덱싱 또는 검색을 위한 이미지들의 분류된 세트를 구성하는 이미지들의 재순위화된(re-ranked) 세트를 제공할 수 있다.The visual
평가된 이미지 제공 모듈(410)은 이미지 분류 평가 모듈(206)의 다른 모듈들에 연결될 수 있다. 일부 실시예로, 평가된 이미지 제공 모듈(410)은 시각적 속성 순위화 모듈(408)로부터 재순위화되거나 분류된 이미지들을 수신할 수 있다. 평가된 이미지 제공 모듈(410)은, 각각의 재순위화된 이미지가 특정된 이미지 클래스와 상관되는 정도를 반영하는 인덱스 또는 다른 정보와 함께 재순위화된 이미지를 분류된 이미지 데이터스토어(210)에 제공할 수 있다.The evaluated
도 5는 일부 실시예에 따른, 분류기(208)의 예를 도시한다. 분류기(208)는 시각적 패턴 생성 모듈(502), 시각적 패턴 인식 모듈(504), 및 분류된 이미지 인터페이스 모듈(506)을 포함할 수 있다.5 shows an example of a
시각적 패턴 생성 모듈(502)은 시각적 패턴 인식 모듈(504)에 연결될 수 있다. 시각적 패턴 생성 모듈(502)은, 분류기(208)의 트레이닝 단계 동안에, 이미지 분류 트레이닝 모듈(204)로부터 이미지들의 트레이닝 세트를 수신할 수 있고, 이미지 클래스와 관련된 이미지들의 트레이닝 세트에 공통적인 특징들의 시각적 패턴 템플릿을 생성할 수 있다. 시각적 패턴 템플릿을 생성하기 위해, 시각적 패턴 생성 모듈(502)은 가령 이미지들의 트레이닝 세트 각각에서 로컬 이미지 특징들의 어휘의 발생을 계산(count)하는 컴퓨터 비젼(vision) 또는 기술에서 단어 가방식 모델과 같은 시각적 패턴 인식 알고리즘을 구현할 수 있다. 일실시예로, 시각적 패턴 생성 모듈(502)은 이미지를 세그먼트로 분할(break up)할 수 있고, 시각적 특징의 존재에 대해 이미지의 각각의 세그먼트를 평가할 수 있다. 시각적 패턴 생성 모듈(502)은 또한, 이미지의 각각의 세그먼트에서 식별된 시각적 특징들을 추출할 수 있고, 시각적 특징들을 벡터로 표현할 수 있다. 그 벡터를 사용하여, 시각적 패턴 생성 모듈(502)은 이미지들의 트레이닝 세트에 공통되는 특징들의 시각적 패턴 템플릿을 생성할 수 있다.The visual
다양한 실시예로, 시각적 패턴 생성 모듈(502)은 이미지들의 트레이닝 세트에서 가장 많이 공통적으로 발견되는 특징들에 기초하여 시각적 패턴 템플릿을 생성할 수 있다. 예컨대, 이러한 실시예들에서, 이미지 분류 트레이닝 모듈(204)은 시각적 패턴 생성 모듈(502)에 정수 "K" 개의 이미지들을 제공할 수 있고, 시각적 패턴 생성 모듈(502)은 K개의 이미지들에서 가장 많이 공통적으로 발견되는 특징들을 인식할 수 있다.In various embodiments, the visual
시각적 패턴 인식 모듈(504)은 시각적 패턴 생성 모듈(502)에 연결될 수 있다. 시각적 패턴 인식 모듈(504)은 평가 단계 동안에, 이미지 분류 평가 모듈(206)로부터 이미지들의 평가 세트를 수신할 수 있고, 이미지들의 평가 세트의 각각이 이미지 클래스와 관련된 특정 시각적 패턴 템플릿과 상관되는 정도를 식별할 수 있다. 일부 실시예로, 시각적 패턴 인식 모듈(504)은 가령 단어 가방식 알고리즘과 같은 시각적 패턴 인식을 이용할 수 있다. 시각적 패턴 인식은 일부 실시예들에서, 신경 네트워크 이미지 분류 기술을 포함할 수 있다. 시각적 패턴 인식 모듈(504)은 이미지들의 평가 세트 내에서 다양한 시각적 특징들을 결정할 수 있고, 각각의 이미지에 대해, 추출된 시각적 특징들을 벡터들의 세트로 표현할 수 있다. 시각적 패턴 인식 모듈(504)은 또한, 이미지들의 평가 세트의 각각을 위한 벡터들을 특징들의 다양한 시각적 패턴 템플릿과 비교할 수 있다. 일부 실시예로, 시각적 패턴 인식 모듈(504)은 이미지들의 평가 세트의 각각이 트레이닝 단계 동안 생성된 다양한 시각적 패턴 템플릿들과 상관되는 정도를 점수화할 수 있다.The visual
분류된 이미지 인터페이스 모듈(506)은 시각적 패턴 생성 모듈(502) 및 시각적 패턴 인식 모듈(504)에 연결될 수 있다. 일부 실시예로, 분류된 이미지 인터페이스 모듈(506)은 시각적 패턴 인식 모듈(504)로부터 분류된 이미지들을 그들의 점수와 함께 수신할 수 있다. 분류된 이미지 인터페이스 모듈(506)은 분류된 이미지 데이터스토어(210)에 분류된 이미지들 및/또는 점수들을 제공할 수 있다. 분류된 이미지 인터페이스 모듈(506)은 또한, 시각적 패턴 템플릿을 분류된 이미지 데이터스토어(210)에 제공할 수 있다.The classified
도 6은 일부 실시예에 따른, 이미지를 분류하기 위한 프로세스(600)의 예를 도시한다. 프로세스(600)는 도 2a에 도시된 이미지 분류 모듈(104)과 함께 논의된다. 프로세스(600)는 트레이닝 단계(600a) 및 평가 단계(600b)를 포함할 수 있다. 프로세스(600)의 블록(602)에서, 이미지 분류 트레이닝 모듈(204)은 미분류 이미지 데이터스토어(202)로부터 이미지들의 샘플 세트를 수집할 수 있다. 블록(604)에서, 이미지 분류 트레이닝 모듈(204)은 이미지들의 샘플 세트와 관련된 컨텍스트 큐를 수집할 수 있다. 블록(606)에서, 이미지 분류 트레이닝 모듈(204)은, 본 명세서에서 논의되는 이미지들의 트레이닝 세트를 생성하기 위해 이미지들의 관심있는 이미지 클래스에 대한 상관관계에 기초하여 이미지들을 점수화하고 순위화하는데 컨텍스트 큐들을 사용할 수 있다. 점수화 및 순위화에 기초하여, 이미지들의 트레이닝 세트가 결정될 수 있다. 블록(607)에서, 이미지 분류 트레이닝 모듈(204)은 트레이닝 세트에 기초하여 분류기(208)를 트레이닝할 수 있다. 블록(608)에서, 이미지 분류 평가 모듈(206)은 미분류 이미지 데이터스토어(202)로부터 이미지들의 평가 세트를 수집할 수 있다. 블록(610)에서, 분류기(208)는 이미지들의 평가 세트의 시각적 속성을 이미지 클래스와 관련된 시각적 패턴 템플릿들의 세트와 비교할 수 있다. 블록(612)에서, 분류기(208)는 상기 비교에 기초하여 이미지들의 평가 세트 중 각각의 이미지가 이미지 클래스에 속하는지 여부를 결정할 수 있다.6 shows an example of a
도 7은 일부 실시예에 따른, 분류기를 트레이닝하기 위한 프로세스(700)의 예를 도시한다. 프로세스(700)는 도 3에 도시된 이미지 분류 트레이닝 모듈(204)과 함께 논의된다. 블록(701)에서, 이미지 클래스 특정 모듈(306)은 분류기(208)가 인식하도록 트레이닝하기 위한 이미지 클래스를 특정할 수 있다. 블록(702)에서, 트레이닝 이미지 수집 모듈(302)은 이미지들의 샘플 세트를 수신할 수 있고, 이미지들의 샘플 세트의 각각은 관련된 컨텍스트 큐들을 가진다. 블록(704)에서, 컨텍스트 큐 추출 모듈(304)은 이미지들의 샘플 세트로부터 컨텍스트 큐를 추출할 수 있다. 블록(708)에서, 이미지 클래스 상관 모듈(308)은 이미지와 관련된 하나 이상의 컨텍스트 큐에 기초하여 이미지들의 샘플 세트에서 각각의 이미지와 이미지 클래스 간의 상관관계를 점수화할 수 있다. 블록(710)에서, 이미지 클래스 상관 모듈(308)은 각각의 이미지의 점수에 기초하여 이미지들의 샘플 세트를 순위화할 수 있다. 블록(712)에서, 이미지 클래스 상관 모듈(308)은 샘플 세트로부터 분류기(208)를 트레이닝할 이미지들의 트레이닝 세트를 결정할 수 있다. 일부 실시예로, 트레이닝 세트의 결정은 점수화에 기초하여 샘플 세트에서 각각의 이미지를 순위화하는 것을 포함할 수 있다. 결정은 또한, 이미지들의 샘플 세트 중 최상위 점수의 서브세트를 선택하는 것을 포함할 수 있다. 최상위 점수의 서브세트는 이미지들의 트레이닝 세트를 포함할 수 있다. 블록(714)에서, 분류 트레이닝 모듈(310)은 이미지들의 트레이닝 세트에서 공통된 시각적 패턴들을 식별하도록 분류기(208)를 트레이닝할 수 있다.7 shows an example of a
도 8은 일부 실시예에 따른, 이미지들을 분류하기 위한 프로세스(800)의 예를 도시한다. 프로세스(800)는 도 4에 도시된 이미지 분류 평가 모듈(206) 및 도 5에 도시된 분류기(208)와 함께 논의된다. 블록(802)에서, 평가 이미지 수집 모듈(402)은 미분류 이미지 데이터스토어(202)로부터 이미지들의 평가 세트를 수집할 수 있다. 블록(804)에서, 평가 이미지 수집 모듈(402)은 이미지들의 평가 세트의 시각적 속성을 평가하기 위한 이미지 클래스를 결정할 수 있다. 일부 실시예로, 분류기 입력 모듈(404)은 이미지들의 평가 세트 및 이미지 클래스를 분류기(208)에 제공할 수 있다. 블록(806)에서, 시각적 패턴 인식 모듈(504)은, 이미지 클래스와 관련된 시각적 패턴 템플릿에 대한 이미지들의 평가 세트의 각각의 이미지의 상관관계를 점수화할 수 있다. 블록(808)에서, 시각적 패턴 인식 모듈(504)은 이미지들의 평가 세트 중 각각의 이미지의 점수화된 상관관계에 기초하여 이미지들의 평가 세트 중 각각의 이미지를 순위화할 수 있다. 블록(810)에서, 시각적 패턴 인식 모듈(504)은 이미지들의 평가 세트 중 최상위 점수의 서브세트를 이미지 클래스와 관련시킬 수 있다. 일부 실시예로, 분류된 이미지 인터페이스 모듈(506)은 이후 최상위 점수의 서브세트를 소셜 네트워킹 시스템에서 다양한 다른 모듈에 제공할 수 있다.8 shows an example of a
도 9는 일부 실시예에 따른, 이미지 분류 모듈(104)에 의한 이미지들의 그룹의 컨텍스트적으로 생성된 분류의 미리보기(900)의 예를 도시한다. 미리보기(900)는 이미지들의 미분류 그룹(902), 제1 이미지들의 분류된 그룹(904), 제2 이미지들의 분류된 그룹(906), 제3 이미지들의 분류된 그룹(908), 및 제4 이미지들의 분류된 그룹(910)을 포함한다. 도 9의 예에서, 이미지들의 미분류 그룹(902)은 관련된 컨텍스트 큐를 갖는 이미지들의 그룹을 포함한다. 컨텍스트 큐는 이미지 태그 및 다른 컨텍스트 정보를 포함할 수 있다. 제1 이미지들의 분류된 그룹(904), 제2 이미지들의 분류된 그룹(906), 제3 이미지들의 분류된 그룹(908), 및 제4 이미지들의 분류된 그룹(910)을 생성하기 위해, 하나 이상의 이미지들의 미분류 그룹(902)이 이미지 분류 트레이닝 모듈(204)에 제공되었다. 이미지 분류 트레이닝 모듈(204)은 트레이닝 단계 동안에, 4개의 이미지 클래스들, 즉: 합성된 외관/느낌을 갖는 이미지들의 제1 이미지 클래스, 클로즈-업(close-up) 이미지들의 제2 이미지 클래스, 실외에서 찍힌 이미지들의 제3 이미지 클래스, 및 물을 묘사하는 이미지들의 제4 이미지 클래스와 관련된 시각적 속성들을 인식하도록 분류기(208)를 트레이닝하기 위해, 컨텍스트 큐에 기초하여 분류된 이미지들의 미분류 그룹(902)의 세트들을 사용했다. 이미지 분류 평가 모듈(206)은 평가 단계 동안에, 이미지들의 미분류 그룹(902)의 시각적 속성들을 4개의 이미지 클래스들과 관련된 시각적 패턴 템플릿들과 비교하도록 트레이닝된 분류기(208)에 이미지들의 미분류 그룹(902)을 제공하였다. 분류기(208)의 출력은, 분류기(208)가 인식하도록 트레이닝된 4개의 이미지 클래스들에 상응하였다. 더욱 구체적으로, 분류기(208)는, 제1 이미지 클래스에 상응하는 제1 이미지들의 분류된 그룹(904); 제2 이미지 클래스에 상응하는 제2 이미지들의 분류된 그룹(906); 제3 이미지 클래스에 상응하는 제3 이미지들의 분류된 그룹(908); 및 제4 이미지 클래스에 상응하는 제4 이미지들의 분류된 그룹(910)을 생성하였다.9 shows an example of a
도 10은 일부 실시예에 따른, 이미지 분류 모듈(104)에 의한 이미지들의 그룹의 컨텍스트적으로 생성된 이미지 필터 분류의 미리보기(1000)의 예를 도시한다. 미리보기(1000)는 이미지들의 미분류 그룹(1002) 및 이미지들의 분류된 그룹(1004)을 포함한다. 이미지들의 미분류 그룹(1002)은 소셜 네트워킹 시스템에서 미분류 이미지들의 일부를 표현할 수 있다. 이미지들의 샘플 세트는 태그 및 다른 컨텍스트 큐들과 관련되었다. 그것의 컨텍스트 큐들에 기초하여, 이미지들의 샘플 세트의 각각의 이미지는 관심있는 이미지 클래스와의 상관관계에 기초하여 점수화되었다. 이 예에서, "cat"은 관심있는 이미지 클래스이다. 이미지들의 샘플 세트의 이미지들은 이후 그들의 점수에 기초하여 순위화되었다. 이 예에서, 이미지들의 샘플 세트의 최상위 200개의 이미지들이 이미지들의 트레이닝 세트로 지정되었다. 이미지들의 트레이닝 세트는 이후, 분류기가 이미지들에 묘사된 공통의 시각적 패턴을 인식하도록 트레이닝하는데 적용되었다. 시각적 패턴 템플릿은, 트레이닝 세트에 기초하여 생성되었고, "cat" 이미지 클래스와 관련되었다. 이미지들의 미분류 그룹(1002)은 이미지들의 평가 세트로 이용되었다. 이미지들의 평가 세트는 "cat" 이미지 클래스와 관련된 시각적 패턴 템플릿과의 그들의 상관관계를 점수화하기 위해 분류기에 적용되었다. 이미지들의 평가 세트의 점수가 순위화되었고, 이미지들의 평가 세트에서 최상위의 이미지들은 이미지들의 분류된 그룹(1004)으로 선택되었다.10 shows an example of a
소셜 네트워킹 시스템 - 예시적인 구현예Social Networking System-Example Implementation
도 11은 일부 실시예에 따른, 컨텍스트 이미지 분류 시스템(102)을 구현하는 예시적인 소셜 네트워킹 시스템(1100)의 네트워크 다이어그램이다. 소셜 네트워킹 시스템(1100)은 하나 이상의 사용자 장치(1110), 하나 이상의 외부 시스템(1120), 소셜 네트워킹 시스템(1130), 및 네트워크(1150)를 포함한다. 일실시예로, 전술한 실시예들과 연계하여 논의된 소셜 네트워킹 시스템은 소셜 네트워킹 시스템(1130)으로 구현될 수 있다. 예시적인 목적을 위해, 도 11에 도시된 소셜 네트워킹 시스템(1100)의 실시예는, 단일 외부 시스템(1120) 및 단일 사용자 장치(1110)를 포함한다. 하지만, 다른 실시예로, 소셜 네트워킹 시스템(1100)은 더 많은 사용자 장치(1110) 및/또는 더 많은 외부 시스템(1120)을 포함할 수 있다. 특정 실시예로, 소셜 네트워킹 시스템(1130)은 소셜 네트워킹 시스템 제공자에 의해 운영되는 한편, 외부 시스템(1120)은, 상이한 엔티티들에 의해 운영될 수 있는 점에서 소셜 네트워킹 시스템(1130)으로부터 분리되어 있다. 하지만, 다양한 실시예로, 소셜 네트워킹 시스템(1130) 및 외부 시스템(1120)은 소셜 네트워킹 시스템(1130)의 사용자들 (또는 구성원들)에게 소셜 네트워킹 서비스를 제공하기 위해 함께 동작한다. 이러한 측면에서, 소셜 네트워킹 시스템(1130)은, 외부 시스템(1120)과 같은 다른 시스템들이 인터넷을 통해 사용자에게 소셜 네트워킹 서비스 및 기능을 제공하는데 사용할 수 있는 플랫폼 또는 백본을 제공한다.11 is a network diagram of an exemplary
사용자 장치(1110)는 사용자로부터 입력을 수신하고 네트워크(1150)를 통해 데이터를 송수신할 수 있는 하나 이상의 컴퓨팅 장치를 포함한다. 일실시예로, 사용자 장치(1110)는 예컨대, Microsoft Windows 호환가능한 운영 시스템(OS), Apple OS X, 및/또는 리눅스 배포판을 실행하는 종래의 컴퓨터 시스템이다. 다른 실시예로, 사용자 장치(1110)는 가령 스마트폰, 태블릿, PDA(personal digital assistant), 모바일 전화 등과 같은 컴퓨터 기능을 갖는 장치일 수 있다. 사용자 장치(1110)는 네트워크(1150)를 통해 통신하도록 구성된다. 사용자 장치(1110)는 예컨대, 사용자 장치(1110)의 사용자가 소셜 네트워킹 시스템(1130)과 상호작용할 수 있게 하는 브라우저 애플리케이션과 같은 애플리케이션을 실행할 수 있다. 또 다른 실시예로, 사용자 장치(1110)는 iOS 및 ANDROID와 같은 사용자 장치(1110)의 네이티브 운영 시스템에 의해 제공되는 API(application programming interface)를 통해 소셜 네트워킹 시스템(1130)과 상호작용한다. 사용자 장치(1110)는, 유선 및/또는 무선 통신 시스템을 사용하는 로컬 영역 및/또는 광역 네트워크의 임의의 조합을 포함할 수 있는 네트워크(1150)를 통해 외부 시스템(1120) 및 소셜 네트워킹 시스템(1130)과 통신하도록 구성된다.User device 1110 includes one or more computing devices capable of receiving input from a user and transmitting and receiving data through network 1150. In one embodiment, the user device 1110 is a conventional computer system running, for example, a Microsoft Windows compatible operating system (OS), Apple OS X, and/or a Linux distribution. In another embodiment, the user device 1110 may be a device having a computer function such as a smart phone, a tablet, a personal digital assistant (PDA), a mobile phone, or the like. User device 1110 is configured to communicate over network 1150. User device 1110 may run an application such as a browser application that allows a user of user device 1110 to interact with
일실시예로, 네트워크(1150)는 표준 통신 기술 및 프로토콜을 사용한다. 따라서, 네트워크(1150)는 Ethernet, 802.11, WiMAX(worldwide interoperability for microwave access), 3G, 4G, CDMA, GSM, LTE, DSL(digital subscriber line) 등과 같은 기술을 사용하는 링크를 포함할 수 있다. 유사하게, 네트워크(1150)에서 사용되는 네트워킹 프로토콜은 MPLS(multiprotocol label switching), TCP/IP(transmission control protocol/Internet protocol), UDP(User Datagram Protocol), HTTP(hypertext transport protocol), SMTP(simple mail transfer protocol), FTP(file transfer protocol) 등을 포함할 수 있다. 네트워크(1150) 상에서 교환되는 데이터는 HTML(hypertext markup language) 및 XML(extensible markup language)을 포함하는 기술 및/또는 포맷을 사용하여 표현될 수 있다. 추가로, 모든 또는 일부 링크는 SSL(secure sockets layer), TLS(transport layer security), 및 IPsec(Internet Protocol security)와 같은 종래의 암호화 기술을 사용하여 암호화될 수 있다.In one embodiment, network 1150 uses standard communication technologies and protocols. Accordingly, the network 1150 may include links using technologies such as Ethernet, 802.11, worldwide interoperability for microwave access (WiMAX), 3G, 4G, CDMA, GSM, LTE, and digital subscriber line (DSL). Similarly, networking protocols used in the network 1150 include multiprotocol label switching (MPLS), transmission control protocol/Internet protocol (TCP/IP), User Datagram Protocol (UDP), hypertext transport protocol (HTTP), and simple mail (SMTP). transfer protocol), FTP (file transfer protocol), and the like. Data exchanged on the network 1150 may be expressed using a technology and/or format including hypertext markup language (HTML) and extensible markup language (XML). Additionally, all or some of the links may be encrypted using conventional encryption techniques such as secure sockets layer (SSL), transport layer security (TLS), and Internet Protocol security (IPsec).
일실시예로, 사용자 장치(1110)는 브라우저 애플리케이션(1112)을 사용하여, 외부 시스템(1120) 및 소셜 네트워킹 시스템(1130)으로부터 수신된 마크업 언어 문서(1114)를 프로세싱함으로써 외부 시스템(1120) 및/또는 소셜 네트워킹 시스템(1130)으로부터의 컨텐츠를 디스플레이할 수 있다. 마크업 언어 문서(1114)는 컨텐츠 및 컨텐츠의 포맷 또는 프레젠테이션을 기술하는 하나 이상의 명령들을 식별한다. 마크업 언어 문서(1114)에 포함된 명령들을 실행함으로써, 브라우저 애플리케이션(1112)은 마크업 언어 문서(1114)에 의해 기술된 포맷 또는 프레젠테이션을 사용하여 식별된 컨텐츠를 디스플레이한다. 예컨대, 마크업 언어 문서(1114)는, 외부 시스템(1120) 및 소셜 네트워킹 시스템(1130)으로부터 검색된 텍스트 및/또는 이미지 데이터를 포함하는 다수의 프레임들을 갖는 웹 페이지를 생성하고 디스플레이하기 위한 명령들을 포함한다. 다양한 실시예로, 마크업 언어 문서(1114)는 XML(extensible markup language) 데이터, XHTML(extensible hypertext markup language) 데이터, 또는 다른 마크업 언어 데이터를 포함하는 데이터 파일을 포함한다. 추가로, 마크업 언어 문서(1114)는 JSON(JavaScript Object Notation) 데이터, 패딩(padding)을 갖는 JSON(JSONP), 및 외부 시스템(1120)과 사용자 장치(1110) 사이의 데이터 상호교환을 용이하게 하는 자바스크립트 데이터를 포함할 수 있다. 사용자 장치(1110)상의 브라우저 애플리케이션(1112)은 마크업 언어 문서(1114)를 디코딩하기 위해 자바스크립트 컴파일러를 사용할 수 있다.In one embodiment, the user device 1110 uses the
마크업 언어 문서(1114)는 또한, FLASH™ 또는 Unity™ 애플리케이션들, SilverLight™ 애플리케이션 프레임워크(framework) 등과 같은 애플리케이션 또는 애플리케이션 프레임워크를 포함하거나 링크할 수 있다. The
일실시예로, 사용자 장치(1110)는 또한, 사용자 장치(1110)의 사용자가 소셜 네트워킹 시스템(1130)으로 로그되는지 여부를 표시하는 데이터를 포함하는 하나 이상의 쿠키(1116)를 포함하고, 이는 소셜 네트워킹 시스템(1130)으로부터 사용자 장치(1110)로 통신되는 데이터의 수정을 가능하게 할 수 있다.In one embodiment, the user device 1110 also includes one or more cookies 1116 containing data indicating whether a user of the user device 1110 is logged into the
외부 시스템(1120)은, 네트워크(1150)를 사용하여 사용자 장치(1110)로 통신되는 하나 이상의 웹 페이지들(1122a, 1122b)을 포함하는 하나 이상의 웹 서버들을 포함한다. 외부 시스템(1120)은 소셜 네트워킹 시스템(1130)으로부터 분리된다. 예컨대, 외부 시스템(1120)은 제1 도메인과 연관되는 한편, 소셜 네트워킹 시스템(1130)은 분리된 소셜 네트워킹 도메인과 연관된다. 외부 시스템(1120)에 포함된 웹 페이지들(1122a, 1122b)은 컨텐츠를 식별하고 식별된 컨텐츠의 포맷 또는 프레젠테이션을 특정하는 명령들을 포함하는 마크업 언어 문서(1114)를 포함한다.
소셜 네트워킹 시스템(1130)은 복수의 사용자들을 포함하는 소셜 네트워킹 시스템을 위해 소셜 네트워킹 시스템의 사용자들에게 소셜 네트워킹 시스템의 다른 사용자들과 통신하고 상호작용하는 능력을 제공하는 하나 이상의 컴퓨팅 장치를 포함한다. 일부 예에서, 소셜 네트워킹 시스템은 그래프 즉, 에지 및 노드를 포함하는 데이터 구조로 표현될 수 있다. 데이터 베이스, 객체, 클래스, 메타 구성요소, 파일, 또는 임의의 다른 데이터 구조를 포함하지만 이에 제한되지 않는 다른 데이터 구조가 또한, 소셜 네트워킹 시스템을 표현하는데 사용될 수 있다. 소셜 네트워킹 시스템(1130)은 오퍼레이터에 의해 관리되고, 유지되거나, 또는 제어될 수 있다. 소셜 네트워킹 시스템(1130)의 오퍼레이터는 사람, 자동화된 애플리케이션, 또는 컨텐츠를 관리하고, 정책을 규제하고, 소셜 네트워킹 시스템(1130) 내에서 사용 메트릭을 수집하기 위한 일련의 애플리케이션들일 수 있다. 임의의 타입의 오퍼레이터가 사용될 수 있다.
사용자들은 소셜 네트워킹 시스템(1130)에 가입할 수 있고, 이후 그들이 연결되고자 하는 소셜 네트워킹 시스템(1130)의 임의의 수의 다른 사용자들에 대한 연결을 추가할 수 있다. 본 명세서에서 사용되는 용어 "친구"는, 사용자가 소셜 네트워킹 시스템(1130)을 통해 연결, 연관, 또는 관계를 형성한 소셜 네트워킹 시스템(1130)의 임의의 다른 사용자를 의미한다. 예컨대, 일실시예로, 소셜 네트워킹 시스템(1130)에서의 사용자들이 소셜 그래프에서 노드로 표현된다면, 용어 "친구"는 2개의 사용자 노드를 직접 연결하고 그 사이에 형성되는 에지를 의미할 수 있다.Users may subscribe to
연결은 사용자에 의해 명시적으로 추가되거나 사용자의 공통의 특징(예컨대,동일한 교육 기관의 졸업생들인 사용자들)에 기초하여 소셜 네트워킹 시스템(1130)에 의해 자동으로 생성될 수 있다. 예컨대, 제1 사용자는 구체적으로 특정의 다른 사용자를 친구로 선택한다. 소셜 네트워킹 시스템(1130)에서의 연결은 보통 양방향이지만, 그럴 필요는 없고, 따라서 용어들 "사용자" 및 "친구"는 준거 기준(frame of reference)에 따른다. 소셜 네트워킹 시스템(1130)의 사용자들 사이의 연결은 보통 양방향("쌍방향"), 또는 "상호적"이지만, 연결들은 또한, 일방적, 또는 "일방향"일 수 있다. 예컨대, Bob과 Joe가 모두 소셜 네트워킹 시스템(1130)의 사용자들이고 서로에게 연결되어있다면, Boe과 Joe는 서로의 연결들이다. 반면에, Bob이 소셜 네트워킹 시스템(1130)으로 Joe에 의해 통신되는 데이터를 열람하기 위해 Joe에게 연결하기를 희망한지만, Joe가 상호 연결을 형성하기를 희망하지 않는다면, 일방향 연결이 확립될 수 있다. 사용자들 사이의 연결은 직접적인 연결일 수 있지만, 소셜 네트워킹 시스템(1130)의 일부 실시예들은 하나 이상의 연결 레벨 또는 이격도를 통한 간접적인 연결을 허용한다.The connection may be explicitly added by the user or may be automatically created by the
사용자들 사이의 연결을 확립 및 관리하고 사용자들 사이의 상호작용을 허용하는 것에 추가로, 소셜 네트워킹 시스템(1130)은 사용자들에게 소셜 네트워킹 시스템(1130)에 의해 지원되는 다양한 타입의 아이템들에 대해 행위를 수행할 능력을 제공한다. 이러한 아이템들은, 소셜 네트워킹 시스템(1130)의 사용자들이 속할 수 있는 그룹들 또는 네트워크들(즉, 사람들, 엔티티들, 및 컨셉들의 소셜 네트워크), 사용자가 관심이 있을 수 있는 이벤트 또는 캘린더 엔트리들, 사용자가 소셜 네트워킹 시스템(1130)을 통해 사용할 수 있는 컴퓨터-기초의 애플리케이션들, 사용자가 소셜 네트워킹 시스템(1130)에 의해 제공되거나 소셜 네트워킹 시스템(1130)을 통한 서비스를 통해 아이템들을 사거나 팔 수 있도록 하는 거래들, 사용자가 소셜 네트워킹 시스템(1130) 내에서 혹은 밖에서 수행할 수 있는 광고와의 상호작용들을 포함할 수 있다. 이들은 사용자가 소셜 네트워킹 시스템(1130)에 대해 행동할 수 있는 아이템들의 몇몇 예시에 불과하며, 많은 다른 예들이 가능하다. 사용자는 소셜 네트워킹 시스템(1130)에서 또는 소셜 네트워킹 시스템(1130)과 분리되거나 네트워크(1150)를 통해 소셜 네트워킹 시스템(1130)으로 연결된 외부 시스템(1120)에서, 표현될 수 있는 그 어떠한 것과도 상호작용할 수 있다.In addition to establishing and managing connections between users and allowing interaction between users,
소셜 네트워킹 시스템(1130)은 또한, 다양한 엔티티들을 링크할 수 있다. 예컨대, 소셜 네트워킹 시스템(1130)은 사용자가 API, 웹 서비스, 또는 다른 통신 채널을 통해 외부 시스템(1120) 또는 다른 엔티티들과 상호작용하는 것뿐만 아니라 사용자들 서로와 상호작용할 수 있게 한다. 소셜 네트워킹 시스템(1130)은 복수의 에지에 의해 상호연결된 복수의 노드를 포함하는 "소셜 그래프"를 생성하고 관리한다. 소셜 그래프에서의 각각의 노드는 다른 노드에 대해 행동할 수 있거나 및/또는 다른 노드가 행동할 수 있는 엔티티를 표현할 수 있다. 소셜 그래프는 다양한 타입의 노드들을 포함할 수 있다. 노드의 타입의 예들은 사용자들, 비-인간 엔티티들, 컨텐츠 아이템, 웹 페이지, 그룹, 활동, 메시지, 컨셉, 및 소셜 네트워킹 시스템(1130)에서 객체에 의해 표현될 수 있는 임의의 다른 것들을 포함한다. 소셜 그래프에서의 2개의 노드 사이의 에지는 2개의 노드 사이의 특정 유형의 연결 또는 연관을 표현할 수 있고, 에지는 노드 연결로부터 또는 노드들 중 하나가 다른 노드에 대해 수행하는 행위로부터 발생할 수 있다. 일부 경우에서, 노드 사이의 에지에는 가중치가 부과될 수 있다. 에지의 가중치는 노드 사이의 연결 또는 연관의 강도와 같은 에지와 연관된 속성을 표현할 수 있다. 상이한 타입의 에지에는 상이한 가중치가 제공될 수 있다. 예컨대, 한 명의 사용자가 다른 사용자를 "좋아요"할 때 생성된 에지에는 하나의 가중치가 부여될 수 있는 한편, 사용자가 다른 사용자를 친구로 삼을 때 생성된 에지에는 상이한 가중치가 부여될 수 있다.The
예로서, 제1 사용자가 제2 사용자를 친구로 식별할 때, 소셜 그래프에서의 에지는 제1 사용자를 표현하는 노드와 제2 사용자를 표현하는 제2 노드를 연결하도록 생성된다. 다양한 노드가 서로 연관되고 상호작용함에 따라, 소셜 네트워킹 시스템(1130)은 관계 및 상호작용을 반영하도록 다양한 노드를 연결하는 에지들을 수정한다.As an example, when a first user identifies a second user as a friend, an edge in the social graph is created to connect a node representing the first user and a second node representing the second user. As the various nodes are associated and interact with each other, the
소셜 네트워킹 시스템(1130)은 또한, 소셜 네트워킹 시스템(1130)과의 사용자 상호작용을 향상시키는 사용자-생성된 컨텐츠를 포함한다. 사용자-생성된 컨텐츠는, 사용자가 소셜 네트워킹 시스템(1130)에 추가, 업로드, 전송 또는 "게시"할 수 있는 모든 것을 포함할 수 있다. 예컨대, 사용자는 사용자 장치(1110)로부터 소셜 네트워킹 시스템(1130)에 게시물을 통신한다. 게시물은 상태 업데이트 또는 다른 텍스트 데이터, 위치 정보, 사진과 같은 이미지, 비디오, 링크, 음악, 또는 다른 유사한 데이터 및/또는 미디어와 같은 데이터를 포함할 수 있다. 컨텐츠는 또한, 제3자에 의해 소셜 네트워킹 시스템(1130)에 추가될 수 있다. 컨텐츠 "아이템"들은 소셜 네트워킹 시스템(1130)에서 객체로 표현될 수 있다. 이러한 방식으로, 소셜 네트워킹 시스템(1130)의 사용자들은, 다양한 통신 채널을 통해 미디어의 다양한 타입의 텍스트 및 컨텐츠 아이템을 게시함으로써 서로와 통신하도록 장려된다. 이러한 통신은 사용자들 서로간의 상호작용을 증가시키고 사용자가 소셜 네트워킹 시스템(1130)과 상호작용하는 빈도를 증가시킨다.
소셜 네트워킹 시스템(1130)은 웹 서버(1132), API 요청 서버(1134), 사용자 프로필 스토어(1136), 연결 스토어(1138), 행위 로거(1140), 활동 로그(1142), 인증 서버(1144), 이미지 분류 모듈(1146), 및 이미지 애플리케이션 모듈(1148)을 포함한다. 일실시예로, 소셜 네트워킹 시스템(1130)은 다양한 애플리케이션을 위해 추가의, 더 적은 수의, 혹은 상이한 컴포넌트들을 포함할 수 있다. 네트워크 인터페이스, 보안 메커니즘, 부하 균형기(load balancer), 장애복구 서버(failover server), 관리 및 네트워크 운영 콘솔 등과 같은 다른 컴포넌트들은 시스템의 세부사항을 불명확하게 만들지 않기 위해 도시되지 않는다.The
사용자 프로필 스토어(1136)는, 사용자에 의해 선언되었거나 소셜 네트워킹 시스템(1130)에 의해 추론된 경력, 학력, 취미 또는 선호도, 위치 등과 같은 인명적, 인구학적, 및 다른 타입의 기술적 정보를 포함하는 사용자 계정에 관한 정보를 관리한다. 이 정보는 사용자 프로필 스토어(1136)에 저장되어서, 각각의 사용자가 고유하게 식별되도록 한다. 소셜 네트워킹 시스템(1130)은 또한, 연결 스토어(1138)에서의 상이한 사용자들 사이의 하나 이상의 연결을 기술하는 데이터를 저장한다. 연결 정보는 유사하거나 공통되는 경력, 그룹 멤버쉽, 취미, 또는 학력을 갖는 사용자들을 표시할 수 있다. 추가로, 소셜 네트워킹 시스템(1130)은 상이한 사용자들 사이의 사용자-정의된 연결을 포함하여, 사용자들이 다른 사용자들과의 그들의 관계를 특정할 수 있도록 한다. 예컨대, 사용자-정의된 연결은 사용자가 사용자의 실제-삶에서의 관계들, 가령 친구들, 동료들, 파트너들 등에 필적하는 다른 사용자들과의 관계를 생성할 수 있도록 한다. 사용자들은 미리 정의된 타입의 연결로부터 선택하거나 필요에 따라 그들 스스로의 연결 타입을 정의할 수 있다. 소셜 네트워킹 시스템(1130)에서의 다른 노드들과의 연결, 가령 비-인간 엔티티들, 버켓, 클러스터 센터, 이미지, 관심사, 페이지, 외부 시스템, 컨셉 등이 또한, 연결 스토어(1138)에 저장된다.The user profile store 1136 contains personal, demographic, and other types of technical information such as career, education, hobbies or preferences, location, etc. declared by the user or inferred by the
소셜 네트워킹 시스템(1130)은 사용자가 상호작용할 수 있는 객체들에 관한 데이터를 관리한다. 이 데이터를 관리하기 위해, 사용자 프로필 스토어(1136) 및 연결 스토어(1138)는 소셜 네트워킹 시스템(1130)에 의해 관리되는 객체들의 대응하는 타입의 인스턴스(instance)들을 저장한다. 각각의 객체 타입은 객체의 타입에 적절한 정보는 저장하는데 적합한 정보 필드를 가진다. 예컨대, 사용자 프로필 스토어(1136)는 사용자의 계정 및 사용자의 계정과 관련된 정보를 기술하기에 적절한 필드를 갖는 데이터 구조를 포함한다. 특정 타입의 새로운 객체가 생성될 때, 소셜 네트워킹 시스템(1130)은 대응하는 타입의 새로운 데이터 구조를 초기화하고, 고유한 객체 식별자를 그것에 할당하며, 필요에 따라 객체에 데이터를 추가한다. 이는 예컨대, 사용자가 소셜 네트워킹 시스템(1130)의 사용자가 되고, 소셜 네트워킹 시스템(1130)이 사용자 프로필 스토어(1136)에 사용자 프로필의 새로운 인스턴스를 생성하며, 고유한 식별자를 사용자 계정에 할당하고, 사용자에 의해 제공된 정보로 사용자 계정의 필드를 채우는 것을 시작할 때에 발생할 수 있다.The
연결 스토어(1138)는 사용자의 다른 사용자들에 대한 연결, 외부 시스템(1120)으로의 연결 또는 다른 엔티티들로의 연결을 기술하는데 적절한 데이터 구조를 포함한다. 연결 스토어(1138)는 또한, 연결 타입을 사용자의 연결과 연관시킬 수 있고, 연결 타입은 사용자에 관한 정보에 대한 액세스를 규제하기 위해 사용자의 개인정보 설정과 함께 사용될 수 있다. 일실시예로, 사용자 프로필 스토어(1136) 및 연결 스토어(1138)는 연합된 데이터베이스로 구현될 수 있다.The
연결 스토어(1138), 사용자 프로필 스토어(1136), 및 활동 로그(1142)에 저장된 데이터는 소셜 네트워킹 시스템(1130)이 상이한 객체들 사이의 관계를 식별하기 위해 다양한 객체 및 노드를 연결하는 에지를 식별하도록 노드를 사용하는 소셜 그래프를 생성할 수 있도록 한다. 예컨대, 제1 사용자가 소셜 네트워킹 시스템(1130)에서 제2 사용자와의 연결을 확립한다면, 사용자 프로필 스토어(1136)로부터의 제1 사용자 및 제2 사용자의 사용자 계정들은 소셜 그래프에서 노드로서 역할을 할 수 있다. 연결 스토어(1138)에 의해 저장된 제1 사용자 및 제2 사용자 사이의 연결은 제1 사용자 및 제2 사용자와 연관된 노드들 사이의 에지이다. 이 예로 계속하면, 제2 사용자는 이후, 소셜 네트워킹 시스템(1130) 내에서 제1 사용자에게 메시지를 전송할 수 있다. 저장될 수 있는 이 메시지를 전송하는 행위는, 제1 사용자 및 제2 사용자를 표현하는 소셜 그래프에서의 2개의 노드 사이의 또 다른 에지이다. 추가로, 메시지 자체는 식별될 수 있고, 제1 사용자 및 제2 사용자를 표현하는 노드들에 연결된 또 다른 노드로서 소셜 그래프에 포함될 수 있다.The data stored in the
다른 예로, 제1 사용자는 소셜 네트워킹 시스템(1130)에 의해 관리되는 이미지에서 (또는 대안으로, 소셜 네트워킹 시스템(1130) 외부의 다른 시스템에 의해 관리되는 이미지)에서 제2 사용자를 태그할 수 있다. 이미지는 그 자체가 소셜 네트워킹 시스템(1130)에서 노드로 표현될 수 있다. 이러한 태깅 행위는 제1 사용자 및 제2 사용자 사이의 에지를 생성할 뿐만 아니라 소셜 그래프에서 또한, 노드가 되는 각각의 사용자들 및 이미지 사이의 에지를 생성할 수 있다. 또 다른 예로, 사용자가 이벤트에 참석하는 것을 확인한다면, 사용자 및 이벤트는 사용자 프로필 스토어(1136)로부터 획득되는 노드들이며, 여기서 이벤트의 참석은 활동 로그(1142)로부터 검색될 수 있는 노드 사이의 에지이다. 소셜 그래프를 생성하고 관리함으로써, 소셜 네트워킹 시스템(1130)은 상이한 타입의 객체 및 상호작용과 그 객체들 사이의 연결을 기술하는 데이터를 포함하고, 소셜적으로 관련된(socially relevant) 정보의 풍부한 소스를 제공한다.As another example, the first user may tag the second user in an image managed by the social networking system 1130 (or alternatively, an image managed by another system outside the social networking system 1130 ). The image itself may be represented as a node in
웹 서버(1132)는 네트워크(1150)를 통해 소셜 네트워킹 시스템(1130)을 하나 이상의 사용자 장치(1110) 및/또는 하나 이상의 외부 시스템(1120)으로 링크한다. 웹 서버(1132)는, 가령 Java, JavaScript, Flash, XML 등과 같은 다른 웹-연관 컨텐츠뿐만 아니라 웹 페이지들을 서빙한다. 웹 서버(1132)는 메일 서버 또는 소셜 네트워킹 시스템(1130)과 하나 이상의 사용자 장치(1110) 사이의 메시지를 수신하고 라우팅하기 위한 다른 메시징 기능을 포함할 수 있다. 메시지는 인스턴트 메시지, 큐잉된 메시지(예컨대, 이메일), 텍스트 및 SMS 메시지, 또는 임의의 다른 적절한 메시지 포맷일 수 있다.
API 요청 서버(1134)는, 하나 이상의 API 함수를 호출함으로써 하나 이상의 외부 시스템(1120) 및 사용자 장치(1110)가 소셜 네트워킹 시스템(1130)으로부터 액세스 정보를 호출하도록 한다. API 요청 서버(1134)는 또한, API들을 호출함으로써 외부 시스템(1120)이 소셜 네트워킹 시스템(1130)으로 정보를 전송하도록 할 수 있다. 일실시예로, 외부 시스템(1120)은 네트워크(1150)를 통해 소셜 네트워킹 시스템(1130)으로 API 요청을 전송하고, API 요청 서버(1134)는 API 요청을 수신한다. API 요청 서버(1134)는, API 요청 서버(1134)가 네트워크(1150)를 통해 외부 시스템(1120)으로 통신하는 적절한 응답을 생성하기 위해 API 요청과 연관된 API를 호출함으로써 그 요청을 프로세싱한다. 예컨대, API 요청에 응답하여, API 요청 서버(1134)는 가령 외부 시스템(1120)으로 로그된 사용자의 연결과 같은 사용자와 연관된 데이터를 수집하고, 수집된 데이터를 외부 시스템(1120)으로 통신한다. 다른 실시예로, 사용자 장치(1110)는 외부 시스템(1120)과 동일한 방식으로 API들을 통해 소셜 네트워킹 시스템(1130)과 통신한다.The
행위 로거(1140)는 소셜 네트워킹 시스템(1130) 안에서의 및/또는 밖에서의 사용자 행위에 관한 통신을 웹 서버(1132)로부터 수신할 수 있다. 행위 로거(1140)는 사용자 행위에 관한 정보로 활동 로그(1142)를 채워서 소셜 네트워킹 시스템(1130)이 소셜 네트워킹 시스템(1130) 내에서 및 소셜 네트워킹 시스템(1130) 밖에서 그것의 사용자들에 의해 행해진 다양한 행위를 발견할 수 있도록 한다. 특정 사용자가 소셜 네트워킹 시스템(1130) 상의 다른 노드에 관해 행한 임의의 행위는, 활동 로그(1142) 또는 유사한 데이터베이스 또는 다른 데이터 저장소에 관리되는 정보를 통해 각각의 사용자의 계정과 연관될 수 있다. 식별되고 저장된 소셜 네트워킹 시스템(1130) 내에서 사용자에 의해 행해진 행위의 예들은 예컨대, 다른 사용자로의 연결의 추가, 다른 사용자에게 메세지를 전송, 다른 사용자로부터의 메시지를 읽기, 다른 사용자와 연관된 컨텐츠를 열람, 다른 사용자에 의해 게시된 이벤트에 참석, 이미지를 게시, 이미지를 게시하는 것의 시도, 또는 다른 사용자 또는 다른 객체와 상호작용하는 다른 행위들을 포함할 수 있다. 사용자가 소셜 네트워킹 시스템(1130) 내에서 행위를 행할 때, 행위는 활동 로그(1142)에 기록된다. 일실시예로, 소셜 네트워킹 시스템(1130)은 활동 로그(1142)를 엔트리들의 데이터베이스로서 관리한다. 행위가 소셜 네트워킹 시스템(1130) 내에서 행해질 때, 행위에 대한 엔트리는 활동 로그(1142)에 추가된다. 활동 로그(1142)는 행위 로그라고 불릴 수 있다.The
추가로, 사용자 행위는 가령 소셜 네트워킹 시스템(1130)으로부터 분리된 외부 시스템(1120)과 같이 소셜 네트워킹 시스템(1130)의 외부의 엔트리 내에서 발생하는 컨셉 및 행위와 연관될 수 있다. 예컨대, 행위 로거(1140)는 웹 서버(1132)로부터 외부 시스템(1120)과의 사용자 상호작용을 기술하는 데이터를 수신할 수 있다. 이 예에서, 외부 시스템(1120)은 소셜 그래프에서의 구조화된 행위 및 객체에 따라 사용자의 상호작용을 보고한다.Additionally, user actions may be associated with concepts and actions occurring within entries external to the
사용자가 외부 시스템(1120)과 상호작용하는 행위들의 다른 예들은, 사용자가 외부 시스템(1120) 또는 다른 엔티티에 대한 관심을 표현하는 것, 사용자가 외부 시스템(1120) 또는 외부 시스템(1120) 내의 웹 페이지(1122a)를 논의하는 코멘트를 소셜 네트워킹 시스템(1130)에 게시하는 것, 사용자가 외부 시스템(1120)과 연관된 URL(Uniform Resource Locator) 또는 다른 식별자를 소셜 네트워킹 시스템(1130)에 게시하는 것, 사용자가 외부 시스템(1120)과 연관된 이벤트에 참석하는 것, 또는 외부 시스템(1120)과 관련된 사용자에 의한 임의의 다른 행위를 포함한다. 따라서, 활동 로그(1142)는 소셜 네트워킹 시스템(1130)의 사용자 및 소셜 네트워킹 시스템(1130)으로부터 분리된 외부 시스템(1120) 사이의 상호작용을 기술하는 행위들을 포함할 수 있다.Other examples of actions in which the user interacts with the
인증 서버(1144)는 소셜 네트워킹 시스템(1130)의 사용자들의 하나 이상의 개인정보 설정을 강제한다. 사용자의 개인정보 설정은 어떻게 사용자와 연관된 특정 정보가 공유될 수 있는지를 결정한다. 개인정보 설정은 사용자와 연관된 특정 정보의 명세(specification) 및 정보가 공유될 수 있는 엔티티 또는 엔티티들의 명세를 포함한다. 정보가 공유될 수 있는 엔티티들의 예들은 다른 사용자들, 애플리케이션, 외부 시스템(1120), 또는 정보에 잠재적으로 액세스할 수 있는 임의의 엔티티를 포함할 수 있다. 사용자에 의해 공유될 수 있는 정보는 가령, 프로필 사진, 사용자와 연관된 전화번호, 사용자의 연결, 연결을 추가하기, 사용자의 프로필 정보를 변경하기와 같은 사용자에 의해 행해진 행위 등과 같은 사용자 계정 정보를 포함한다.The
개인정보 설정 명세가 상이한 레벨의 입상도(granularity)에서 제공될 수 있다. 예컨대, 개인정보 설정은 다른 사용자들과 공유될 특정 정보를 식별할 수 있고; 개인정보 설정은 직장 전화번호 또는 가령, 프로필 사진, 집 전화번호, 및 상태와 같은 관련된 정보의 특정 세트를 식별한다. 대안으로, 개인정보 설정은 사용자와 연관된 모든 정보에 적용될 수 있다. 특정 정보에 액세스할 수 있는 엔티티들의 세트의 명세는 또한, 다양한 레벨의 입상도에서 특정될 수 있다. 정보가 공유될 수 있는 다양한 세트의 엔티티들은 예컨대, 사용자의 모든 친구들, 친구들의 모든 친구들, 모든 애플리케이션, 또는 모든 외부 시스템(1120)을 포함할 수 있다. 일실시예는 엔티티들의 세트의 명세가 엔티티들의 목록을 포함할 수 있도록 한다. 예컨대, 사용자는 특정 정보에 액세스하는 것이 허용되는 외부 시스템(1120)의 리스트를 제공할 수 있다. 다른 실시예는 명세가, 정보에 액세스하는 것이 허용되지 않은 예외들을 함께 갖는 엔티티들의 세트를 포함하도록 한다. 예컨대, 사용자는 모든 외부 시스템(1120)이 사용자의 작업 정보에 액세스할 수 있도록 하지만, 작업 정보에 액세스하는 것이 허용되지 않는 외부 시스템(1120)의 리스트를 특정할 수 있다. 특정 실시예들은 특정 정보를 액세스하는 것이 허용되지 않는 예외들의 리스트를 "차단 리스트"라고 할 수 있다. 사용자에 의해 특정된 차단 리스트에 속하는 외부 시스템(1120)은 개인정보 설정에 특정된 정보를 액세스하는 것으로부터 차단된다. 정보의 명세의 입상도 및 정보가 공유되는 엔티티들의 명세의 입상도의 다양한 조합이 가능하다. 예컨대, 모든 개인 정보는 친구들과 공유될 수 있는 한편, 모든 작업 정보는 친구의 친구들과 공유될 수 있다.Personal information setting specifications can be provided at different levels of granularity. For example, privacy settings can identify specific information to be shared with other users; The privacy settings identify a work phone number or a specific set of related information, such as a profile picture, home phone number, and status. Alternatively, privacy settings can be applied to all information associated with the user. The specification of the set of entities that can access certain information can also be specified at various levels of granularity. The various sets of entities to which information may be shared may include, for example, all friends of the user, all friends of friends, all applications, or all
인증 서버(1144)는 사용자와 연관된 특정 정보가 사용자의 친구들, 외부 시스템(1120), 및/또는 다른 애플리케이션과 엔티티들에 의해 액세스될 수 있는지 여부를 결정하는 로직을 포함한다. 외부 시스템(1120)은 가령 사용자의 직장 전화번호와 같은 사용자의 더 개인적이고 민감한 정보에 액세스하기 위해 인증 서버(1144)로부터의 인증이 필요할 수 있다. 사용자의 개인정보 설정에 기초하여, 인증 서버(1144)는, 다른 사용자, 외부 시스템(1120), 애플리케이션, 또는 다른 엔티티가 사용자에 의해 행해진 행위에 관한 정보를 포함하는 사용자와 연관된 정보에 액세스하는 것이 허용되는지 여부를 결정한다.The
도 11의 예에서, 소셜 네트워킹 시스템(1130)은 본 명세서에서 더 상세히 기술되는 이미지 분류 모듈(1146) 및 이미지 애플리케이션 모듈(1148)을 포함할 수 있다. 일실시예로, 이미지 분류 모듈(1146)은 이미지들의 샘플 세트에 대한 컨텍스트 힌트들을 수집할 수 있고, 이미지들의 트레이닝 세트를 생성하기 위해 컨텍스트 힌트들을 사용할 수 있다. 이미지들의 트레이닝 세트는 이미지 클래스의 시각적 패턴 템플릿을 생성하도록 분류기를 트레이닝시키는데 사용될 수 있다. 분류기는, 시각적 패턴 템플릿과의 상관관계에 기초하여 이미지들의 평가 세트를 점수화할 수 있다. 이미지들의 평가 세트 중 가장 높은 점수의 이미지들은 이미지 클래스에 가장 밀접하게 관련되는 것으로 여겨질 수 있다. 일실시예로, 이미지 분류 모듈(1146)은 이미지 분류 모듈(104)로 구현될 수 있다. 이미지 애플리케이션 모듈(1148)은 분류된 이미지의 검색을 허용하도록 다른 애플리케이션과 인터페이싱할 수 있다. 일실시예로, 이미지 애플리케이션 모듈(1148)은 이미지 애플리케이션 모듈(106)로 구현될 수 있다.In the example of FIG. 11, the
하드웨어 구현Hardware implementation
전술한 프로세스 및 특징들은 광범위하게 다양한 네트워크 및 컴퓨팅 환경에서 광범위하게 다양한 기계 및 컴퓨터 시스템 구조에 의해 구현될 수 있다. 도 12는 일실시예에 따른, 본 명세서에 기술된 하나 이상의 실시예들을 구현하도록 사용될 수 있는 컴퓨터 시스템(1200)의 예시를 도시한다. 컴퓨터 시스템(1200)은 컴퓨터 시스템(1200)이 본 명세서에 기술된 프로세스 및 특징들을 수행하도록 야기하는 명령들의 세트들을 포함한다. 컴퓨터 시스템(1200)은 다른 기계들에 연결(예컨대, 네트워킹)될 수 있다. 네트워킹된 배치에서, 컴퓨터 시스템(1200)은 클라이언트-서버 네트워크 환경에서의 서버 기계 또는 클라이언트 기계의 용량으로 또는 피어-투-피어 (또는 분산형) 네트워크 환경에서의 피어 기계로서 동작할 수 있다. 일실시예로, 컴퓨터 시스템(1200)은 소셜 네트워킹 시스템(1130), 사용자 장치(1110), 외부 시스템(1120), 또는 이들의 컴포넌트일 수 있다. 일실시예로, 컴퓨터 시스템(1200)은 소셜 네트워킹 시스템(1130)의 전부 또는 일부를 구성하는 많은 수의 서버들 중 하나의 서버일 수 있다.The processes and features described above may be implemented by a wide variety of machine and computer system architectures in a wide variety of network and computing environments. 12 shows an illustration of a
컴퓨터 시스템(1200)은, 본 명세서에 기술된 프로세스 및 특징에 관련되고, 컴퓨터-판독가능한 매체에 저장된 프로세서(1202), 캐시(1204), 및 하나 이상의 실행가능한 모듈 및 드라이버를 포함한다. 추가로, 컴퓨터 시스템(1200)은 고성능 입력/출력(I/O) 버스(1206) 및 표준 I/O 버스(1212)를 포함한다. 호스트 브릿지(1210)는 프로세서(1202)를 고성능 I/O 버스(1206)에 연결하는 한편, I/O 버스 브릿지(1212)는 2개의 버스들(1206, 1212)을 서로 연결한다. 시스템 메모리(1214) 및 네트워크 인터페이스(1216)는 고성능 I/O 버스(1206)에 연결된다. 컴퓨터 시스템(1200)은 비디오 메모리 및 비디오 메모리에 연결된 디스플레이 장치(도시되지 않음)를 더 포함할 수 있다. 대용량 저장소(1218) 및 I/O 포트(1220)는 표준 I/O 버스(1212)에 연결된다. 컴퓨터 시스템(1200)은 선택적으로 키보드, 포인팅 장치, 디스플레이 장치, 또는 표준 I/O 버스(1212)에 연결된 다른 입력/출력 장치들(도시되지 않음)을 포함할 수 있다. 전체적으로, 이러한 구성요소들은, 캘리포니아 산타 클라라의 인텔사에 의해 제조된 x126-호환 프로세서, 및 캘리포니아 서니데일의 AMD(Advanced Micro Devices), Inc.에 의해 제조된 x126-호환 프로세서뿐만 아니라 임의의 다른 적절한 프로세서에 기초하는 컴퓨터 시스템을 포함하지만 이에 제한되지 않는 컴퓨터 하드웨어 시스템의 넓은 카테고리를 표현하도록 의도되었다.
운영 시스템은, 소프트웨어 애플리케이션(도시되지 않음)으로 오가는 데이터의 입력 및 출력을 포함하는 컴퓨터 시스템(1200)의 동작을 관리하고 제어한다. 운영 시스템은 시스템상에 실행되는 소프트웨어 애플리케이션과 시스템의 하드웨어 컴포넌트들 사이의 인터페이스를 제공한다. 가령 LINUX 운영 시스템, 캘리포니아 쿠퍼티노의 Apple Computer Inc.로부터 이용가능한 Apple Macintosh 운영 시스템, UNIX 운영 시스템, Microsoft® Windows® 운영 시스템, BSD 운영 시스템 등과 같은 임의의 적절한 운영 시스템이 이용될 수 있다. 다른 구현도 가능하다.The operating system manages and controls the operation of the
컴퓨터 시스템(1200)의 구성요소들은 아래에서 더 상세하게 기술된다. 특히, 네트워크 인터페이스(1216)는 컴퓨터 시스템(1200) 및 가령 Ethernet(예컨대, IEEE 1202.3) 네트워크, 백플레인(backplane) 등과 같은 임의의 광범위의 네트워크 사이의 통신을 제공한다. 대용량 저장소(1218)는 앞서 식별된 각각의 컴퓨팅 시스템들에 의해 구현되는 상기 프로세스들 및 특징들을 수행하는 프로그래밍 명령들 및 데이터를 위한 영구적인 저장소를 제공하는 한편, 시스템 메모리(1214)(예컨대, DRAM)는 프로세서(1202)에 의해 실행될 때 데이터 및 프로그래밍 명령들을 위한 임시적인 저장소를 제공한다. I/O 포트(1220)는, 컴퓨터 시스템(1200)에 연결될 수 있는 추가 주변 장치들 사이의 통신을 제공하는 하나 이상의 직렬 및/또는 병렬 통신 포트일 수 있다.The components of
컴퓨터 시스템(1200)은 다양한 시스템 구조들을 포함할 수 있고, 컴퓨터 시스템(1200)의 다양한 컴포넌트들은 재정렬될 수 있다. 예컨대, 캐시(1204)는 프로세서(1202)를 갖는 온-칩일 수 있다. 대안으로, 캐시(1204) 및 프로세서(1202)는 프로세서(1202)가 "프로세서 코어"로 불리는 "프로세서 모듈"로 함께 패킹(pack)될 수 있다. 더욱이, 특정 실시예들은 상기의 컴포넌트들 전부를 요구하지도 않고 포함하지도 않을 수 있다. 예컨대, 표준 I/O 버스(1212)에 연결된 주변 장치들은 고성능 I/O 버스(1206)에 연결될 수 있다. 추가로, 일부 실시예로, 단일 버스만이 존재할 수 있고, 컴퓨터 시스템(1200)의 컴포넌트들은 단일 버스에 연결될 수 있다. 더욱이, 컴퓨터 시스템(1200)은 가령 추가적인 프로세서, 저장 장치, 또는 메모리와 같은 추가 컴포넌트들을 포함할 수 있다.
일반적으로, 본 명세서에 기술된 프로세스 및 특징들은 운영 시스템 또는 특정 애플리케이션, 컴포넌트, 프로그램, 객체, 모듈 또는 "프로그램"으로 불리는 일련의 명령들의 일부로서 구현될 수 있다. 예컨대, 하나 이상의 프로그램들은 본 명세서에 기술된 특정 프로세스들을 실행하는데 사용될 수 있다. 프로그램들은 전형적으로 하나 이상의 프로세서에 의해 읽혀지고 실행될 때 컴퓨터 시스템(1200)이 본 명세서에 기술된 프로세스 및 특징들을 실행하는 동작들을 수행하도록 야기하는 하나 이상의 명령들을 컴퓨터 시스템(1200)에서 다양한 메모리 및 저장 장치에서 포함할 수 있다. 본 명세서에 기술된 프로세스 및 특징들은 소프트웨어, 펌웨어, 하드웨어(예컨대, 애플리케이션 고유의 집적 회로(application specific integrated circuit; ASIC), 또는 이들의 임의의 조합에서 구현될 수 있다.In general, the processes and features described herein may be implemented as part of an operating system or a specific application, component, program, object, module, or series of instructions referred to as a “program”. For example, one or more programs may be used to execute certain processes described herein. Programs typically contain one or more instructions in
하나의 구현예로, 본 명세서에 기술된 프로세스 및 특징들은, 컴퓨터 시스템(1200)에 의해 실행되는 일련의 실행가능한 모듈로서 분산형 컴퓨팅 환경에서 개별적으로 또는 집합적으로 구현될 수 있다. 전술한 모듈들은 하드웨어, 컴퓨터-판독가능한 매체 (또는 기계-판독가능한 매체), 또는 이들 모두의 조합에 의해 실현될 수 있다. 예컨대, 모듈은 가령, 프로세서(1202)와 같은 하드웨어 시스템에서의 프로세서에 의해 실행되는 복수의 또는 일련의 명령들을 포함할 수 있다. 초기에, 일련의 명령들은 가령, 대용량 저장소(1218)와 같은 저장 장치에 저장될 수 있다. 하지만, 일련의 명령들은 임의의 적절한 컴퓨터-판독가능한 저장 매체에 저장될 수 있다. 더욱이, 일련의 명령들은 로컬에서 저장될 필요가 없으며, 네트워크 인터페이스(1216)를 통해 가령 네트워크상의 서버와 같은 원격 저장 장치로부터 수신될 수 있다. 명령들은 가령 대용량 저장소(1218)와 같은 저장 장치로부터 시스템 메모리(1214)로 복사되고, 이후 프로세서(1202)에 의해 액세스되고 실행된다. 다양한 구현예로, 모듈 또는 모듈들은 가령, 병렬 프로세싱 환경에서의 다수의 서버들과 같이 하나 또는 다수의 위치들에서 프로세서 또는 다수의 프로세서들에 의해 실행될 수 있다.In one implementation, the processes and features described herein may be implemented individually or collectively in a distributed computing environment as a series of executable modules executed by the
컴퓨터-판독가능한 매체의 예들은, 가령 휘발성 및 비-휘발성 메모리 장치와 같은 기록 가능한 타입의 매체; 고체 상태 메모리(solid state memory; SSD); 플로피 및 다른 제거가능한 디스크; 하드 디스크 드라이브, 자기 매체; 광학 디스크(예컨대, CD ROMS(Compact Disk Read-Only Memory), DVDs(Digital Versatile Disks)); 다른 유사한 비-일시적 (또는 일시적), 실체적 (또는 비-실체적) 저장 매체; 또는 본 명세서에 기술되는 임의의 하나 이상의 프로세스 및 특징을 수행하는 컴퓨터 시스템(1200)에 의해 실행하기 위한 일련의 명령들을 저장하고, 인코딩하고, 운반하는데 적절한 임의의 타입의 매체를 포함하지만, 이에 제한되지 않는다.Examples of computer-readable media include, for example, media of a recordable type such as volatile and non-volatile memory devices; Solid state memory (SSD); Floppy and other removable disks; Hard disk drives, magnetic media; Optical disks (eg, Compact Disk Read-Only Memory (CD ROMS), Digital Versatile Disks (DVDs)); Other similar non-transitory (or transient), tangible (or non-substantial) storage media; Or any type of medium suitable for storing, encoding, and carrying a series of instructions for execution by
설명하기 위한 목적을 위해, 발명의 설명의 완전한 이해를 제공하도록 다수의 구체적인 세부사항들이 언급된다. 하지만, 본 명세서의 실시예들은 이러한 구체적인 세부사항들 없이도 실행될 수 있음이 통상의 기술자에게 자명해질 것이다. 일부 예에서, 모듈, 구조, 프로세스, 특징, 및 장치는 발명의 설명을 불명확하게 하는 것을 피하기 위해 블록 다이어그램의 형태로 도시된다. 다른 예에서, 기능적 블록 다이어그램 및 흐름 다이어그램은 데이터 및 로직의 흐름을 표현하도록 도시된다. 블록 다이어그램 및 흐름 다이어그램의 컴포넌트들(예컨대, 모듈, 블록, 구조, 장치, 특징 등)은 본 명세서에 명시적으로 기술되고 도시된 것과 다른 방식으로 다양하게 조합되고, 분리되고, 제거되고, 재정렬되고, 대체될 수 있다.For illustrative purposes, a number of specific details are referred to to provide a thorough understanding of the description of the invention. However, it will be apparent to those skilled in the art that the embodiments of the present specification may be implemented without these specific details. In some instances, modules, structures, processes, features, and devices are shown in block diagram form in order to avoid obscuring the description of the invention. In another example, functional block diagrams and flow diagrams are shown to represent the flow of data and logic. The components of the block diagram and flow diagram (e.g., modules, blocks, structures, devices, features, etc.) may be variously combined, separated, removed, rearranged, and other ways than those explicitly described and illustrated herein. , Can be replaced.
본 명세서에서의 "일실시예", "실시예", "일부 실시예", "다양한 실시예", "특정 실시예", "다른 실시예", "일련의 실시예" 등에 대한 언급은, 실시예와 연계되어 기술된 특정의 특징, 설계, 구조, 또는 특성이 본 명세서의 적어도 하나의 실시예에 포함되는 것을 의미한다. 본 명세서에서의 다양한 위치에서 가령, "일실시예로" 또는 "실시예로"와 같은 구절이 나타나는 것은 동일한 실시예를 언급하거나 혹은 다른 실시예들과 상호 배타적이며 분리된 또는 대안적 실시예들을 필연적으로 언급하는 것은 아니다. 더욱이, "실시예" 등에 대한 명시적인 언급이 있는지와 무관하게, 다양하게 조합될 수 있고 일부 실시예들에 포함될 수 있는 다양한 특징들이 기술되지만, 이들은 또한, 다른 실시예들에서 다양하게 생략된다. 유사하게, 일부 실시예들에 대한 선호사항 또는 요구사항일 수 있지만 다른 실시예들에서는 그렇지 않을 수 있는 다양한 특징들이 기술된다.References to "one embodiment", "example", "some embodiments", "various embodiments", "specific embodiments", "other embodiments", "series of embodiments" and the like in the present specification are, It means that a specific feature, design, structure, or characteristic described in connection with the embodiment is included in at least one embodiment of the present specification. The appearances of phrases such as "in one embodiment" or "in an embodiment" in various places in the specification refer to the same embodiment or are mutually exclusive with other embodiments and refer to separate or alternative embodiments. It is not necessarily mentioned. Moreover, regardless of whether there is an explicit reference to “an embodiment” or the like, various features that can be variously combined and included in some embodiments are described, but these are also variously omitted in other embodiments. Similarly, various features are described that may be a preference or requirement for some embodiments, but not for other embodiments.
본 명세서에 사용되는 용어는 원칙적으로 가독성 및 훈시적 목적을 위해서 선택되었으며, 발명의 대상을 묘사하거나 제한하기 위해 선택된 것은 아니다. 따라서, 보호범위는, 본 발명의 상세한 설명에 의해 제한되는 것이 아니며, 출원이 기초으로 하는 제출된 청구범위에 의해 정의되는 것으로 의도되었다. 그러므로 실시예들의 개시내용은 이하의 청구범위에서 정의되는 보호범위를 제한하는 것이 아니라 그 예시가 되는 것으로 의도되었다.The terms used herein are in principle selected for readability and instructional purposes, and are not selected to describe or limit the subject of the invention. Accordingly, the scope of protection is not intended to be limited by the detailed description of the present invention, but is intended to be defined by the submitted claims on which the application is based. Therefore, the disclosure of the embodiments is intended to be illustrative rather than limiting the scope of protection defined in the following claims.
Claims (20)
복수의 이미지 클래스들과 연관된 이미지 분류기(image classifier)를 트레이닝하기 위해 이미지들을 선택한 이미지들의 샘플 세트를 수신하는 것으로서, 상기 샘플 세트에서 적어도 하나의 이미지는 하나 이상의 소셜 큐들(social cues)과 연관되고, 상기 하나 이상의 소셜 큐들은 소셜 네트워킹 시스템 상의 적어도 하나의 생성자 또는 태거(tagger)의 대화에 기초하여 적어도 하나의 이미지의 상기 적어도 하나의 생성자 또는 태거의 신뢰성을 포함하는, 상기 이미지들의 샘플 세트를 수신하는 것;
상기 이미지와 관련된 하나 이상의 소셜 큐들에 기초하여 상기 샘플 세트 내의 각각의 이미지의 이미지 클래스에 대한 상관관계(correlation)를 점수화(score)하는 것; 및
상기 점수화에 기초하여 상기 샘플 세트로부터 분류기를 트레이닝할 이미지들의 트레이닝 세트를 결정하는 것을 적어도 하나의 프로세서로 하여금 수행하게끔 명령하도록 구성된 명령들을 저장하는 메모리를 포함하는, 시스템.At least one processor; And
Receiving a sample set of images selected for training an image classifier associated with a plurality of image classes, wherein at least one image in the sample set is associated with one or more social cues, The one or more social cues comprising the reliability of the at least one creator or the tagger of at least one image based on the conversation of the at least one creator or tagger on a social networking system to receive a sample set of images. that;
Scoring a correlation for an image class of each image in the sample set based on one or more social cues associated with the image; And
And a memory storing instructions configured to instruct at least one processor to perform determining a training set of images to train a classifier from the sample set based on the scoring.
상기 이미지 클래스를 특정하는 것을 더 포함하는, 시스템.The method of claim 1,
The system further comprising specifying the image class.
상기 결정하는 것은 상기 점수화에 기초하여 상기 이미지들의 샘플 세트 내의 각각의 이미지를 순위화하는 것을 포함하는, 시스템.The method of claim 1,
Wherein the determining includes ranking each image in the sample set of images based on the scoring.
상기 결정하는 것은 상기 이미지들의 샘플 세트 중 최상위 점수의 서브세트를 선택하는 것을 포함하는, 시스템.The method of claim 1,
Wherein the determining includes selecting a subset of the highest score among the sample set of images.
상기 최상위 점수의 서브세트는 상기 이미지들의 트레이닝 세트인, 시스템.The method of claim 4,
The subset of the top score is a training set of the images.
상기 이미지들의 트레이닝 세트에 기초하여 상기 분류기를 트레이닝하는 것을 더 포함하는, 시스템.The method of claim 1,
Further comprising training the classifier based on the training set of images.
상기 이미지 클래스와 관련된 시각적 패턴 템플릿(visual pattern template)을 생성하는 것을 더 포함하는, 시스템.The method of claim 1,
The system further comprising creating a visual pattern template associated with the image class.
상기 분류기는 시각적 단어 가방식 이미지 분류 기술(bag of visual words image classification technique) 또는 신경 네트워크 이미지 분류 기술(neural network image classification technique)을 사용하도록 구성되는, 시스템.The method of claim 1,
Wherein the classifier is configured to use a bag of visual words image classification technique or a neural network image classification technique.
이미지들의 평가 세트가 상기 이미지 클래스에 상관되는 정도(extent)를 결정하는 것을 더 포함하는, 시스템.The method of claim 1,
The system further comprising determining an extent to which an evaluation set of images correlates to the image class.
상기 이미지들의 평가 세트는 상기 이미지들의 샘플 세트와 상이한, 시스템.The method of claim 9,
The evaluation set of images is different from the sample set of images.
상기 이미지들의 평가 세트는 상기 이미지들의 샘플 세트보다 큰 이미지들의 세트를 포함하는, 시스템.The method of claim 9,
The evaluation set of images comprising a set of images that are larger than the sample set of images.
상기 이미지 클래스와 관련된 시각적 패턴 템플릿에 의해 상기 이미지들의 평가 세트의 각각의 이미지의 상관관계를 점수화하는 것을 더 포함하는, 시스템.The method of claim 9,
And scoring a correlation of each image of the rating set of images by a visual pattern template associated with the image class.
상기 이미지들의 평가 세트의 각각의 이미지의 상관관계의 점수화에 기초하여 상기 평가 세트의 각각의 이미지를 순위화하는 것을 더 포함하는, 시스템.The method of claim 12,
And ranking each image of the rating set based on scoring a correlation of each image of the rating set of images.
상기 이미지들의 평가 세트의 최상위 점수의 서브세트를 상기 이미지 클래스에 관련시키는 것을 더 포함하는, 시스템.The method of claim 12,
And associating a subset of the highest score of the rating set of images to the image class.
상기 하나 이상의 소셜 큐들은 하나 이상의 이미지 태그들을 포함하는, 시스템.The method of claim 1,
The one or more social cues comprising one or more image tags.
이미지와 관련된 상기 하나 이상의 이미지 태그들의 총수에서 특정 이미지 태그의 인스턴스(instance)들의 수를 결정하는 것을 더 포함하는, 시스템.The method of claim 15,
Further comprising determining a number of instances of a particular image tag in the total number of the one or more image tags associated with an image.
상기 하나 이상의 소셜 큐들은: 상기 이미지들의 샘플 세트의 이미지와 연관된 위치 데이터; 또는 상기 이미지들의 샘플 세트의 상기 이미지의 업로더(uploader), 태거, 또는 소유자의 신원 중 하나 이상을 포함하는, 시스템.The method of claim 1,
The one or more social cues may include: location data associated with an image of the sample set of images; Or one or more of the identity of an uploader, tagger, or owner of the image of the sample set of images.
상기 하나 이상의 소셜 큐들은 상기 소셜 네트워킹 시스템에 의해 수신되는, 시스템.The method of claim 1,
The one or more social queues are received by the social networking system.
상기 컴퓨터 시스템에 의해, 상기 이미지와 관련된 하나 이상의 소셜 큐들에 기초하여 상기 샘플 세트 내의 각각의 이미지의 이미지 클래스에 대한 상관관계를 점수화하는 단계; 및
상기 컴퓨터 시스템에 의해, 상기 점수화에 기초하여 상기 샘플 세트로부터 분류기를 트레이닝할 이미지들의 트레이닝 세트를 결정하는 단계를 포함하는, 컴퓨터로 구현되는 방법.Receiving, by a computer system, a sample set of images selected for training an image classifier associated with a plurality of image classes, wherein at least one image in the sample set is associated with one or more social cues, the one Receiving a sample set of images, wherein the social cues include a credibility of the at least one creator or tagger of the at least one image based on a conversation of at least one creator or tagger on a social networking system;
Scoring, by the computer system, a correlation for an image class of each image in the sample set based on one or more social cues associated with the image; And
Determining, by the computer system, a training set of images to train a classifier from the sample set based on the scoring.
상기 이미지와 관련된 하나 이상의 소셜 큐들에 기초하여 상기 샘플 세트 내의 각각의 이미지의 이미지 클래스에 대한 상관관계를 점수화하는 단계; 및
상기 점수화에 기초하여 상기 샘플 세트로부터 분류기를 트레이닝할 이미지들의 트레이닝 세트를 결정하는 단계를 포함하는 컴퓨터로 구현되는 방법을, 실행시 컴퓨터 시스템으로 하여금 수행하도록 하는 컴퓨터-실행가능한 명령들을 저장하는 컴퓨터 저장 매체.Receiving a sample set of images selected for training an image classifier associated with a plurality of image classes, wherein at least one image is associated with one or more social cues, wherein the one or more social cues are social Receiving a sample set of images comprising the reliability of the at least one creator or tagger of the at least one image based on the conversation of at least one creator or tagger on a networking system;
Scoring a correlation for an image class of each image in the sample set based on one or more social cues associated with the image; And
A computer-implemented method comprising determining a training set of images to train a classifier from the sample set based on the scoring, comprising: computer storage storing computer-executable instructions that, when executed, cause a computer system to perform. media.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/959,446 US10169686B2 (en) | 2013-08-05 | 2013-08-05 | Systems and methods for image classification by correlating contextual cues with images |
US13/959,446 | 2013-08-05 | ||
PCT/US2014/015887 WO2015020691A1 (en) | 2013-08-05 | 2014-02-11 | Systems and methods for image classification by correlating contextual cues with images |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20160040633A KR20160040633A (en) | 2016-04-14 |
KR102244748B1 true KR102244748B1 (en) | 2021-04-28 |
Family
ID=52427721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020167005447A KR102244748B1 (en) | 2013-08-05 | 2014-02-11 | Systems and methods for image classification by correlating contextual cues with images |
Country Status (10)
Country | Link |
---|---|
US (2) | US10169686B2 (en) |
JP (1) | JP6612229B2 (en) |
KR (1) | KR102244748B1 (en) |
CN (1) | CN105612514B (en) |
AU (1) | AU2014304803B2 (en) |
BR (1) | BR112016003926A2 (en) |
CA (1) | CA2920193A1 (en) |
IL (1) | IL243859A0 (en) |
MX (1) | MX367510B (en) |
WO (1) | WO2015020691A1 (en) |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751198B (en) * | 2013-12-27 | 2018-04-27 | 华为技术有限公司 | The recognition methods of object in image and device |
US10223727B2 (en) * | 2014-10-20 | 2019-03-05 | Oath Inc. | E-commerce recommendation system and method |
US10977571B2 (en) * | 2015-03-02 | 2021-04-13 | Bluvector, Inc. | System and method for training machine learning applications |
CN104899872B (en) * | 2015-05-18 | 2017-11-03 | 北京大学 | Image vision significance computational methods and device based on explicit and implicit information |
US10534810B1 (en) * | 2015-05-21 | 2020-01-14 | Google Llc | Computerized systems and methods for enriching a knowledge base for search queries |
US11537262B1 (en) | 2015-07-21 | 2022-12-27 | Monotype Imaging Inc. | Using attributes for font recommendations |
US9906704B2 (en) | 2015-09-17 | 2018-02-27 | Qualcomm Incorporated | Managing crowd sourced photography in a wireless network |
US10878286B2 (en) * | 2016-02-24 | 2020-12-29 | Nec Corporation | Learning device, learning method, and recording medium |
CN105825228B (en) * | 2016-03-14 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | Image-recognizing method and device |
CN105761269A (en) * | 2016-03-14 | 2016-07-13 | 北京大学 | Image salient object detection method based on multiscale discrimination subspaces |
US9892326B2 (en) | 2016-03-31 | 2018-02-13 | International Business Machines Corporation | Object detection in crowded scenes using context-driven label propagation |
US11237857B2 (en) * | 2016-07-07 | 2022-02-01 | Data Accelerator Ltd | Method and system for application virtualization that includes machine learning |
US11314565B2 (en) * | 2016-07-07 | 2022-04-26 | Data Accelerator Ltd | Method and system for application virtualization that includes resource access control |
US10929461B2 (en) * | 2016-07-25 | 2021-02-23 | Evernote Corporation | Automatic detection and transfer of relevant image data to content collections |
US10645142B2 (en) | 2016-09-20 | 2020-05-05 | Facebook, Inc. | Video keyframes display on online social networks |
US10026021B2 (en) | 2016-09-27 | 2018-07-17 | Facebook, Inc. | Training image-recognition systems using a joint embedding model on online social networks |
US10083379B2 (en) | 2016-09-27 | 2018-09-25 | Facebook, Inc. | Training image-recognition systems based on search queries on online social networks |
EP3306555A1 (en) * | 2016-10-10 | 2018-04-11 | Facebook, Inc. | Diversifying media search results on online social networks |
US20180101540A1 (en) * | 2016-10-10 | 2018-04-12 | Facebook, Inc. | Diversifying Media Search Results on Online Social Networks |
US11200273B2 (en) | 2016-10-16 | 2021-12-14 | Ebay Inc. | Parallel prediction of multiple image aspects |
US10452688B2 (en) | 2016-11-08 | 2019-10-22 | Ebay Inc. | Crowd assisted query system |
US11347374B2 (en) * | 2016-11-17 | 2022-05-31 | Meta Platforms, Inc. | Systems and methods for managing shared content |
US11544579B2 (en) | 2016-11-23 | 2023-01-03 | Primal Fusion Inc. | System and method for generating training data for machine learning classifier |
CA3044530A1 (en) * | 2016-11-23 | 2018-05-31 | Primal Fusion Inc. | System and method for using a knowledge representation with a machine learning classifier |
CN106650795B (en) * | 2016-12-01 | 2020-06-12 | 携程计算机技术(上海)有限公司 | Hotel room type image sorting method |
EP3336800B1 (en) * | 2016-12-19 | 2019-08-28 | Siemens Healthcare GmbH | Determination of a training function for generating annotated training images |
US10803013B2 (en) * | 2017-02-10 | 2020-10-13 | Smugmug, Inc. | Efficient similarity detection |
US11301506B2 (en) * | 2017-06-29 | 2022-04-12 | Adobe Inc. | Automated digital asset tagging using multiple vocabulary sets |
CN107463953B (en) * | 2017-07-21 | 2019-11-19 | 上海媒智科技有限公司 | Image classification method and system based on quality insertion in the noisy situation of label |
JP7027070B2 (en) * | 2017-08-31 | 2022-03-01 | キヤノン株式会社 | Information processing equipment, information processing methods, and programs |
US11334750B2 (en) | 2017-09-07 | 2022-05-17 | Monotype Imaging Inc. | Using attributes for predicting imagery performance |
US10909429B2 (en) * | 2017-09-27 | 2021-02-02 | Monotype Imaging Inc. | Using attributes for identifying imagery for selection |
CN107679183B (en) | 2017-09-29 | 2020-11-06 | 百度在线网络技术(北京)有限公司 | Training data acquisition method and device for classifier, server and storage medium |
WO2019089578A1 (en) | 2017-10-30 | 2019-05-09 | Monotype Imaging Inc. | Font identification from imagery |
KR102074654B1 (en) * | 2017-11-03 | 2020-02-07 | 카페24 주식회사 | Method, Apparatus and System for Editing Shopping Mall Webpage |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
CN110351180A (en) * | 2018-04-03 | 2019-10-18 | 鸿富锦精密电子(天津)有限公司 | Internet of Things information management system |
JP7219023B2 (en) * | 2018-06-22 | 2023-02-07 | 日立造船株式会社 | Information processing device and object determination program |
US10635940B1 (en) * | 2018-12-11 | 2020-04-28 | Capital One Services, Llc | Systems and methods for updating image recognition models |
JP7261022B2 (en) * | 2019-01-30 | 2023-04-19 | キヤノン株式会社 | Information processing system, terminal device and its control method, program, storage medium |
US11494884B2 (en) | 2019-02-21 | 2022-11-08 | Canon U.S.A., Inc. | Method and system for evaluating image sharpness |
EP3935576A4 (en) * | 2019-03-06 | 2022-11-23 | Telepathy Labs, Inc. | Method and system for assisting a developer in improving an accuracy of a classifier |
WO2021081741A1 (en) * | 2019-10-29 | 2021-05-06 | 深圳大学 | Image classification method and system employing multi-relationship social network |
US11704716B2 (en) * | 2019-11-18 | 2023-07-18 | Meta Platforms, Inc. | Identifying objects within an image from a user of an online system matching products identified to the online system by the user |
US11354936B1 (en) * | 2020-07-15 | 2022-06-07 | Amazon Technologies, Inc. | Incremental clustering for face recognition systems |
US11184445B2 (en) * | 2020-09-27 | 2021-11-23 | Jean-Michel Michel Cloutier | System and method of establishing communication between users |
JP7102563B2 (en) * | 2021-02-03 | 2022-07-19 | プライマル フュージョン インコーポレイテッド | Systems and methods for using knowledge representation with machine learning classifiers |
JP7388662B2 (en) * | 2021-08-20 | 2023-11-29 | Lineヤフー株式会社 | Information processing device, information processing method, and information processing program |
CN113822252B (en) * | 2021-11-24 | 2022-04-22 | 杭州迪英加科技有限公司 | Pathological image cell robust detection method under microscope |
US20230260275A1 (en) * | 2022-02-11 | 2023-08-17 | Whammy, Inc. | System and method for identifying objects and/or owners |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271297A1 (en) | 2006-05-19 | 2007-11-22 | Jaffe Alexander B | Summarization of media object collections |
JP2009258953A (en) * | 2008-04-16 | 2009-11-05 | Univ Of Electro-Communications | Image processing method, program for executing the method, storage medium, imaging apparatus, and image processing system |
JP2011523137A (en) * | 2008-06-06 | 2011-08-04 | トムソン ライセンシング | Image similarity search system and method |
US20130007667A1 (en) | 2011-06-28 | 2013-01-03 | Microsoft Corporation | People centric, cross service, content discovery system |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5909510A (en) | 1997-05-19 | 1999-06-01 | Xerox Corporation | Method and apparatus for document classification from degraded images |
US7296032B1 (en) * | 2001-05-17 | 2007-11-13 | Fotiva, Inc. | Digital media organization and access |
US7941009B2 (en) | 2003-04-08 | 2011-05-10 | The Penn State Research Foundation | Real-time computerized annotation of pictures |
US9715542B2 (en) * | 2005-08-03 | 2017-07-25 | Search Engine Technologies, Llc | Systems for and methods of finding relevant documents by analyzing tags |
US7949186B2 (en) * | 2006-03-15 | 2011-05-24 | Massachusetts Institute Of Technology | Pyramid match kernel and related techniques |
US8024343B2 (en) * | 2006-04-07 | 2011-09-20 | Eastman Kodak Company | Identifying unique objects in multiple image collections |
US7877384B2 (en) | 2007-03-01 | 2011-01-25 | Microsoft Corporation | Scoring relevance of a document based on image text |
US8880529B2 (en) * | 2007-05-15 | 2014-11-04 | Tivo Inc. | Hierarchical tags with community-based ratings |
US20090083332A1 (en) * | 2007-09-21 | 2009-03-26 | The Penn State Research Foundation | Tagging over time: real-world image annotation by lightweight metalearning |
US8385971B2 (en) | 2008-08-19 | 2013-02-26 | Digimarc Corporation | Methods and systems for content processing |
US20100271297A1 (en) * | 2009-04-27 | 2010-10-28 | Shoei-Lai Chen | Non-contact touchpad apparatus and method for operating the same |
US8478052B1 (en) * | 2009-07-17 | 2013-07-02 | Google Inc. | Image classification |
US8370282B1 (en) * | 2009-07-22 | 2013-02-05 | Google Inc. | Image quality measures |
US20110188742A1 (en) | 2010-02-02 | 2011-08-04 | Jie Yu | Recommending user image to social network groups |
US8401282B2 (en) | 2010-03-26 | 2013-03-19 | Mitsubishi Electric Research Laboratories, Inc. | Method for training multi-class classifiers with active selection and binary feedback |
US20120106854A1 (en) | 2010-10-28 | 2012-05-03 | Feng Tang | Event classification of images from fusion of classifier classifications |
US9218364B1 (en) * | 2011-01-28 | 2015-12-22 | Yahoo! Inc. | Monitoring an any-image labeling engine |
US9037600B1 (en) * | 2011-01-28 | 2015-05-19 | Yahoo! Inc. | Any-image labeling engine |
US8774515B2 (en) * | 2011-04-20 | 2014-07-08 | Xerox Corporation | Learning structured prediction models for interactive image labeling |
US9646226B2 (en) * | 2013-04-16 | 2017-05-09 | The Penn State Research Foundation | Instance-weighted mixture modeling to enhance training collections for image annotation |
-
2013
- 2013-08-05 US US13/959,446 patent/US10169686B2/en active Active
-
2014
- 2014-02-11 BR BR112016003926-2A patent/BR112016003926A2/en not_active Application Discontinuation
- 2014-02-11 CA CA2920193A patent/CA2920193A1/en not_active Abandoned
- 2014-02-11 KR KR1020167005447A patent/KR102244748B1/en active IP Right Grant
- 2014-02-11 AU AU2014304803A patent/AU2014304803B2/en not_active Ceased
- 2014-02-11 WO PCT/US2014/015887 patent/WO2015020691A1/en active Application Filing
- 2014-02-11 MX MX2016001687A patent/MX367510B/en active IP Right Grant
- 2014-02-11 CN CN201480054360.8A patent/CN105612514B/en active Active
- 2014-02-11 JP JP2016533290A patent/JP6612229B2/en active Active
-
2016
- 2016-01-31 IL IL243859A patent/IL243859A0/en unknown
-
2018
- 2018-11-15 US US16/191,801 patent/US20190279053A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271297A1 (en) | 2006-05-19 | 2007-11-22 | Jaffe Alexander B | Summarization of media object collections |
JP2009258953A (en) * | 2008-04-16 | 2009-11-05 | Univ Of Electro-Communications | Image processing method, program for executing the method, storage medium, imaging apparatus, and image processing system |
JP2011523137A (en) * | 2008-06-06 | 2011-08-04 | トムソン ライセンシング | Image similarity search system and method |
US20130007667A1 (en) | 2011-06-28 | 2013-01-03 | Microsoft Corporation | People centric, cross service, content discovery system |
Also Published As
Publication number | Publication date |
---|---|
MX2016001687A (en) | 2016-09-06 |
KR20160040633A (en) | 2016-04-14 |
BR112016003926A2 (en) | 2019-11-12 |
US20150036919A1 (en) | 2015-02-05 |
WO2015020691A1 (en) | 2015-02-12 |
MX367510B (en) | 2019-08-26 |
IL243859A0 (en) | 2016-04-21 |
US10169686B2 (en) | 2019-01-01 |
CN105612514A (en) | 2016-05-25 |
AU2014304803A1 (en) | 2016-02-25 |
AU2014304803B2 (en) | 2019-07-04 |
JP6612229B2 (en) | 2019-11-27 |
US20190279053A1 (en) | 2019-09-12 |
CN105612514B (en) | 2020-07-21 |
JP2016527646A (en) | 2016-09-08 |
CA2920193A1 (en) | 2015-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102244748B1 (en) | Systems and methods for image classification by correlating contextual cues with images | |
US20180012236A1 (en) | Systems and methods for analyzing interaction-bait content based on classifier models | |
US10154312B2 (en) | Systems and methods for ranking and providing related media content based on signals | |
US10630632B2 (en) | Systems and methods for ranking comments | |
US10699216B2 (en) | Systems and methods for providing content | |
US10460171B2 (en) | Systems and methods for processing media content that depict objects | |
US10360466B2 (en) | Systems and methods for image description generation | |
US20180032898A1 (en) | Systems and methods for comment sampling | |
US11709996B2 (en) | Suggesting captions for content | |
US10552473B2 (en) | Systems and methods for processing media content that depict objects | |
US20160373454A1 (en) | Systems and methods for providing content to verified entities | |
US10769199B2 (en) | Systems and methods for processing media content that depict objects | |
EP2835748A1 (en) | Systems and methods for image classification by correlating contextual cues with images | |
US20160078035A1 (en) | Systems and methods for providing real-time content items associated with topics | |
US10360255B2 (en) | Systems and methods to determine location of media items | |
US10929770B2 (en) | Systems and methods for recommending pages | |
US20180096390A1 (en) | Systems and methods for promoting content items | |
US20190155929A1 (en) | Systems and methods for automated query expansion | |
US20220303632A1 (en) | Systems and methods for automatically adjusting playback of media content items | |
US10733478B2 (en) | Systems and methods for processing media content that depict objects | |
US10419383B2 (en) | Systems and methods for ranking comments based on interaction-to-impression ratio | |
US10270772B2 (en) | Systems and methods for providing content to verified entities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |